1 基本概念
1.1 定义
PSNR是峰值信噪比的简称，是一种用于衡量原始信号与重建信号之间差异的客观质量指标。它通常通过误差大小来反映失真程度，数值越高，表示两者越接近，重建效果越好。
1.2 名称来源
“Peak Signal-to-Noise Ratio”直译为“峰值信号与噪声之比”。其中，“峰值”强调比较的是信号允许的最大幅度，而“信噪比”则沿用了工程领域中衡量信号质量的常用表达方式。由于其结果一般以分贝表示，因此在文献和工程实践中常简称为PSNR。
1.3 适用对象
PSNR适用于可以逐点比较的数字数据，尤其是原始数据与处理后数据具有相同尺寸和对应关系的场景。它常被用来评价压缩、滤波、重建与传输后的质量变化。
1.3.1 图像
在静态图像中，PSNR常用于比较原图与压缩图、去噪图或超分辨率结果。只要两幅图像在分辨率、通道和对齐方式上可一一对应，就可以计算该指标。
1.3.2 视频
在视频处理中，PSNR可用于逐帧评估编码、解码或增强后的质量。实际应用里，通常会对每一帧分别计算，再汇总为平均值，以便反映整体效果。
1.3.3 其他数字信号
除图像和视频外，PSNR也可用于音频、深度图、医学影像以及某些传感器重建信号的评价。其前提是信号存在明确的参考标准，并且误差可以按样本点进行统计。
1.4 与信噪比的关系
PSNR与传统信噪比有相似之处，但二者并不完全相同。一般信噪比关注信号功率与噪声功率的关系，而PSNR更强调“最大可能信号值”相对于均方误差的大小，因此更适合用来衡量重建图像或信号与参考值之间的偏差。
2 数学原理
2.1 均方误差（MSE）
PSNR的核心基础通常是均方误差（Mean Squared Error, MSE）。它通过对每个对应样本点的差值平方后求平均，描述处理结果与参考信号之间的整体偏离程度。MSE越小，说明误差越轻微。
2.2 峰值信号的含义
“峰值”指信号在给定表示范围内可以达到的最大有效数值。对于8位图像，常见峰值是255；对于归一化到0到1的图像，峰值通常取1。峰值的设定与数据表示方式直接相关。
2.3 PSNR的计算公式
2.3.1 基于MSE的表达式
PSNR通常定义为峰值信号功率与MSE之比的对数形式。若峰值记为\(MAX\)，均方误差记为\(MSE\)，则PSNR可由两者计算得到。由于MSE反映的是误差强度，因此它越低，PSNR越高。
2.3.2 分贝（dB）表示法
PSNR一般以分贝（dB）为单位表示，便于压缩和比较。分贝形式将比例关系转化为对数尺度，使数值范围更易阅读，也更适合工程领域的习惯表达。
2.4 取值范围与特殊情况
2.4.1 MSE为零时的处理
当重建信号与参考信号完全一致时，MSE为零，此时PSNR在数学上趋于无穷大。实际计算中，常将其视为“无限大”或采用程序中的特殊标记表示，以避免除零错误。
2.4.2 不同位深下的峰值设定
不同位深的数据，其峰值取值并不相同。8位图像通常以255为峰值，10位图像常以1023为峰值，更高位深则需按实际最大编码值确定。若数据已归一化，则峰值应与归一化范围保持一致。
3 计算方法
3.1 图像PSNR计算步骤
图像PSNR的计算通常包括以下步骤：先准备参考图像和待评估图像，并确保二者尺寸一致；再逐像素计算差值，求得MSE；最后依据峰值和MSE代入公式得到PSNR。若图像存在通道差异或空间偏移，还需先做统一处理。
3.2 视频PSNR计算步骤
视频PSNR通常按帧处理。先对每一帧分别计算参考帧与结果帧之间的PSNR，再根据需要取平均值、加权平均值或统计分布。对于长视频，还可能进一步区分关键帧与普通帧，以观察质量波动。
3.3 多通道数据的处理
3.3.1 RGB通道分别计算
对于彩色图像，常见做法是分别在R、G、B三个通道上计算PSNR，再对结果进行汇总。这种方式能保留各通道的差异，适合分析颜色失真来源。
3.3.2 亮度通道计算
另一种常见方法是在亮度通道上计算PSNR，例如先转换到Y通道再评估。由于人眼对亮度变化通常更敏感，这种处理在视频编码和图像压缩中较为常见。
3.4 区域级与整幅级计算
整幅级PSNR对整张图像或整段视频统一统计，适合宏观比较；区域级PSNR则只针对感兴趣区域计算，便于分析局部修复、目标区域增强或边缘细节恢复情况。两者适用场景不同，不能简单互相替代。
4 应用领域
4.1 图像压缩
在图像压缩中，PSNR常用于衡量压缩后图像相对于原图的保真程度。压缩率提高通常会伴随失真增加，因此PSNR可作为压缩算法质量与效率之间平衡的参考。
4.2 视频编码
视频编码研究中，PSNR是最常见的客观指标之一。它可帮助比较不同编码参数、码率控制策略或编码标准下的重建质量，并在工程测试中与码率一起分析。
4.3 图像去噪
去噪算法的目标是尽可能去除噪声，同时保留原始细节。PSNR能够反映去噪后图像与干净参考图之间的接近程度，因此常用于比较不同去噪方法的效果。
4.4 超分辨率重建
在超分辨率任务中，系统需要从低分辨率输入恢复高分辨率图像。PSNR可用来衡量恢复结果在像素层面的准确性，尤其适合评估模型是否有效还原了参考图像的细节结构。
4.5 图像修复与增强
对于图像修复、去模糊、去雨、去雾以及对比度增强等任务，PSNR常被作为客观指标之一，用来判断处理结果与理想参考之间的差距。不过在某些增强任务中，视觉效果的改善未必与PSNR同步提升。
4.6 传输系统性能评估
在通信与传输场景中，PSNR可用于评估信号经过编码、信道传输和重建后的保真度。它有助于观察噪声、失真和量化误差对最终结果的影响。
5 优点与局限
5.1 优点
5.1.1 计算简单
PSNR的公式清晰，计算流程固定，适合快速实现和批量测试。对于大规模实验或工程调试，它能以较低成本提供稳定的定量结果。
5.1.2 易于比较
由于结果通常以统一的分贝形式输出，PSNR便于不同算法、不同参数和不同实验组之间进行横向比较。这也是它长期流行的重要原因之一。
5.1.3 适合工程评估
在需要重复验证、自动化测试和大样本统计的场景中，PSNR具有较好的可操作性，因而经常作为基础评价指标使用。
5.2 局限
5.2.1 与人眼感知不完全一致
PSNR只关注像素级误差，不直接模拟视觉系统对纹理、边缘和语义内容的感受。因此，某些PSNR较高的结果，观看体验未必更好。
5.2.2 对结构信息不敏感
当图像整体亮度或细微数值变化不大时，PSNR可能显示较高分数，但结构被破坏、纹理变形或边缘失真的情况仍可能存在。
5.2.3 不能全面反映主观质量
图像质量受清晰度、自然度、噪点分布、颜色一致性等多种因素影响，而PSNR仅是其中一个维度。单独依赖该指标，容易忽略视觉层面的综合表现。
5.3 与主观评价的差异
主观评价依赖观察者对图像或视频的直接感受，强调“看起来是否自然、舒适”。PSNR则属于客观测量，强调数值误差。两者在很多情况下相关，但并不总是一致，因此常需要结合主观打分或感知型指标共同判断。
6 相关指标
6.1 MSE
MSE是PSNR的基础误差度量，用于直接描述两幅图像或两个信号之间的平均平方偏差。它不经过对数变换，数值越小越好。
6.2 SNR
SNR即信噪比，通常用于衡量信号与噪声功率的相对关系。与PSNR相比，它更偏向一般信号分析，而不是专门面向重建图像的质量评估。
6.3 SSIM
SSIM是结构相似性指标，关注亮度、对比度和结构信息的相似程度。它比PSNR更接近人眼对图像结构的感知，因此常作为补充指标使用。
6.4 VMAF
VMAF是面向视频质量的综合评价指标，融合了多种特征与学习模型，能够更好地反映观看体验。在视频领域，它常被用于补充或替代单纯的PSNR比较。
6.5 MAE
MAE即平均绝对误差，统计的是误差绝对值的平均大小。与MSE相比，它对较大误差的惩罚较弱，常用于与PSNR配合分析误差分布特征。
7 实际使用注意事项
7.1 数据预处理
在计算PSNR前，应统一图像尺寸、像素范围和数据类型。若存在噪声图、参考图或中间结果，需确认它们处于同一数值尺度，否则结果会失真。
7.2 对齐与裁剪问题
图像或视频只要存在轻微位移、边界裁切不一致或插值差异，就可能显著影响PSNR。实际比较时，应先确保空间对齐，并明确是否排除边缘区域。
7.3 色彩空间选择
不同色彩空间下得到的PSNR结果可能不同。工程上常见在RGB空间或亮度空间中计算，但在报告时应注明具体采用的色彩空间，避免结果不可比。
7.4 位深与归一化
若数据经过归一化处理，峰值应与归一化范围一致；若数据保留原始位深，则峰值应按编码上限设定。混用不同标准会导致数值偏差，甚至使不同实验无法比较。
7.5 结果报告规范
报告PSNR时，通常应同时说明参考对象、计算区域、色彩空间、是否逐帧平均以及峰值设定方式。若只给出单个数值而缺少上下文，结果的解释性会明显下降。
8 历史与发展
8.1 指标的提出背景
PSNR源于早期信号处理和通信工程中的误差度量思想，最初主要服务于编码和传输质量分析。随着数字图像处理技术的发展，它逐渐成为图像与视频评估中的基础工具。
8.2 在数字媒体中的普及
在数字媒体、压缩标准和算法评测体系中，PSNR因实现方便、数值直观而迅速普及。尤其在大量实验需要统一比较时，它常作为首选的基础指标之一。
8.3 现代替代与补充方法
随着对视觉质量研究的深入，越来越多的方法开始强调感知一致性与内容结构，例如基于结构相似性的指标、学习型质量评价工具以及综合视频质量模型。尽管如此，PSNR仍因其简洁性和稳定性而在研究与工程中长期保留。