MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度。公式表示为：
对于两个m×n的单通道图像I和K，它们的均方误差可定义为：
优点：MSE的函数曲线光滑、连续，处处可导，便于使用梯度下降算法，是一种常用的损失函数。而且，随着误差的减小，梯度也在减小，这有利于收敛，即使使用固定的学习速率，也能较快的收敛到最小值。
缺点：当真实值y和预测值f(x)的差值大于1时，会放大误差；而当差值小于1时，则会缩小误差，这是平方运算决定的。MSE对于较大的误差(>1)给予较大的惩罚，较小的误差(<1）给予较小的惩罚。也就是说，对离群点比较敏感，受其影响较大。
# MSE
# 方法一：自定义函数
import numpy as np
def MSE(img1,img2):
mse = np.mean( (img1 - img2) ** 2 )
return mse
# 方法二：调用库函数
# 老版本的scikit-image，加载SSIM、PSNR、MSE的方式：
from skimage.measure import compare_mse as mse
# 新版本的scikit-image，加载方式：
from skimage.metrics import mean_squared_error as msePSNR(Peak Signal to Noise Ratio)，峰值信噪比，是一种评价图像的客观标准。，应用场景有很多。它具有局性，PSNR是“Peak Signal to Noise Ratio”的缩写。peak的中文意思是顶点。而ratio的意思是比率或比列的。整个意思就是到达噪音比率的顶点信号，psnr一般是用于最大值信号和背景噪音之间的一个工程项目。通常在经过影像压缩之后，通常输出的影像都会在某种程度与原始影像不同。为了衡量经过处理后的影像品质，通常会参考PSNR值来衡量某个处理程序能否令人满意。它是原图像与被处理图 像之间的均方误差相对于(2n-1)2的对数值(信号最大值的平方，n是每个采样值的比特数)，它的单位是dB。
PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即 基于误差敏感的图像质量评价。由于并未考虑到人眼的视觉特性（人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个 区域的感知结果会受到其周围邻近区域的影响等），因而经常出现评价结果与人的主观感觉不一致的情况。
PSNR是通过MSE得出来的，公式如下：
其中，MAXI是表示图像点颜色的最大数值，如果每个采样点用 8 位表示，那么就是 255。
所以MSE越小，则PSNR越大；所以PSNR越大，代表着图像质量越好。一般来说，
# PSNR
# 方法一：自定义函数
import numpy
import math
def psnr(img1, img2):
mse = numpy.mean( (img1 - img2) ** 2 )
if mse == 0:
return 100
PIXEL_MAX = 255.0
return 20 * math.log10(PIXEL_MAX / math.sqrt(mse))
# 方法二：调用库函数
# 老版本的scikit-image，加载SSIM、PSNR、MSE的方式：
from skimage.measure import compare_ssim as ssim
from skimage.measure import compare_psnr as psnr
from skimage.measure import compare_mse as mse
# 新版本的scikit-image，加载方式：
from skimage.metrics import structural_similarity as ssim
from skimage.metrics import peak_signal_noise_ratio as psnr
from skimage.metrics import mean_squared_error as mseSSIM(structural similarity)，结构相似性，是一种衡量两幅图像相似度的指标。
SSIM算法主要用于检测两张相同尺寸的图像的相似度、或者检测图像的失真程度。
SSIM公式基于样本x和y之间的三个比较衡量：亮度 (luminance)、对比度 (contrast) 和结构 (structure)。
常数