Matlab中PSNR与MSE计算详解：从原理到图像去噪评估

简介：面向图像处理初学者与科研人员的Matlab资源包，聚焦峰值信噪比（PSNR）和均方误差（MSE）的计算，用于量化比较两幅图像经去噪算法处理前后的质量差异。文件以单个.m脚本形式提供，可直接运行实现PSNR和MSE计算，并支持对原始图像与去噪结果进行对比评估，适合学习图像质量评价、验证去噪算法效果及开展相关实验。资源包仅含1个m文件，大小约900B，轻量易用。目前已有77人学习下载。通过该脚本，读者能掌握基于Matlab计算MSE与PSNR的核心流程，理解MAXI取值、对数变换等关键参数对结果的影响，并可将评价指标延伸至不同去噪算法的横向比较中，为图像处理项目的效果评估提供量化依据。脚本注释简明、逻辑清晰，也便于在此基础上扩展批量处理或多指标分析功能。

1. 一张去噪图值多少dB？用PSNR判断之前，先搞懂MSE在算什么

拿到一张被高斯噪声污染的图像，用中值滤波或维纳滤波处理完后，人眼觉得“干净了”，可导师或需求方要一个数值来证明。这时候你打开Matlab，第一反应是调用psnr()和immse()两个内置函数。但这恰恰是很多人翻车的开始：uint8 图像直接相减溢出、彩色图按三通道平均、动态范围取 255 还是 1.0 不一致，最后算出的 PSNR 既不能复现也不能比较。PSNR 的本质是“峰值信号功率与噪声功率之比”，MSE 则是两者的桥。如果只把命令跑通而不理解这两个指标在什么条件下成立，去噪效果对比就只是一串不可信的 dB 数字。这篇文章顺着“定义—实现—对比—进阶”的顺序，把输入图像从读入到输出 PSNR/MSE 的完整链路讲清楚，中途涉及的数据类型、边界处理和参数选择都会给出可运行的代码。

2. PSNR与MSE的数学定义：像素差、动态范围与对数压缩

2.1 从MSE到PSNR的推导：能量误差与峰值信号的比值

MSE（Mean Squared Error）计算的是两幅图像逐像素差的平方均值。假设参考图像为 $R$，待评价图像为 $F$，尺寸为 $M \times N$（先忽略通道），MSE 的定义是：

$$ MSE = \frac{1}{M \times N}\sum_{i=1}^{M}\sum_{j=1}^{N}\left[R(i,j) - F(i,j)\right]^2 $$

PSNR 则把这个误差放到峰值信号 $L$ 的参照系里做对数压缩：

$$ PSNR = 10 \cdot \log_{10}\left(\frac{L^2}{MSE}\right) $$

这里的 $L$ 是图像像素的最大可能取值。uint8 图像 $L=255$，uint16 图像 $L=65535$，双精度图像如果归一化到 [0,1] 则 $L=1.0$。理解这个公式，就不难推出两个关键结论：一是同两张图，$L$ 取 255 还是 1.0，PSNR 结果差约 48.13 dB；二是 MSE 翻 10 倍，PSNR 正好掉 10 dB。这个对数关系意味着 PSNR 对误差的“感知”是非线性的，小误差区间的 dB 差异被放大，大误差区间的差异被压缩。做去噪效果对比时，如果两张待比较图的 PSNR 分别落在 28 dB 和 31 dB，这 3 dB 对应的 MSE 差了整整一倍，人眼已经能明显感知细节差异，但很多新手只看 dB 尾数，忽略了这个指数特性。

2.2 动态范围L的取值：uint8图像的255与双精度图像的1.0

L取错是跨语言复现 PSNR 时最频繁的坑。OpenCV 里默认按 255 算，Scikit-image 则按输入 dtype 自动判断，Matlab 的psnr()函数也遵循一套推导规则。用内置函数时的判断逻辑是：输入若是 uint8 或 uint16，L自动取对应类型最大值；输入若是 double，L默认取 1.0。这个默认值对习惯了“PSNR 都是 20~40 之间”的人来说是个陷阱——归一化到 [0,1] 的 double 图，MSE 通常只有 0.001 量级，套进公式依然能得到正常范围的 dB，但如果把未归一化的 0~255 double 数组直接丢进psnr()，结果会大得离谱。

下表总结各数据类型下L的合理取值，以及对应的 PSNR 参考区间：

所以，动手计算前先检查一个变量：class(I)和max(I(:))。这两个命令能确认类型和范围，再决定是否要除以 255。很多人踩的另一个坑是“觉得图像应该是0到255，读入后发现是double且范围0到1”，或者反过来。Matlab 的imread对多数格式如 PNG、JPEG 默认返回 uint8，但对 TIFF 或 IMG 这类格式可能返回 uint16 甚至 double。严谨做法统一为：读入后立即转 double，并记录原始动态范围，把范围和类型的选择权留给自己。

2.3 手写MSE与PSNR计算，避开uint8溢出

内置函数immse(A, B)和psnr(A, B)在 R2014b 之后的版本虽然可靠，但它们把类型转换和尺寸校验封装在黑盒里。一旦图像尺寸不匹配或通道数不同，报错信息不够直观。可控性更强的做法是手写一个计算函数，核心代码只有几行：

function [mse_val, psnr_val] = calc_psnr_mse(orig, denoised, L) % 手动计算两幅图像的MSE和PSNR % 输入: % orig - 参考图像，支持灰度或RGB，double类型 % denoised - 待评价图像，尺寸和通道数与orig一致 % L - 动态范围，uint8图传255，归一化图传1.0 % 输出: % mse_val - 均方误差标量 % psnr_val - 峰值信噪比标量，单位dB if ndims(orig) == 3 % 彩色图像：三通道误差合并后取平均 diff = double(orig) - double(denoised); mse_val = mean(diff(:).^2); else diff = double(orig) - double(denoised); mse_val = mean(diff(:).^2); end % 避免MSE为0导致除零 if mse_val == 0 psnr_val = Inf; else psnr_val = 10 * log10(L^2 / mse_val); end end

这段代码的逻辑要点有三处。第一，double()转换必须放在相减之前，否则 uint8 相减遇到负值会直接截断为 0，MSE 被严重低估。第二，mean(diff(:).^2)利用了 Matlab 的线性索引特性，把多通道差值全部展开成一维后求均值，这相当于把 RGB 三通道的全部像素都纳入了误差统计。第三，L^2/mse_val可能出现无穷大——当两幅图完全一致时，MSE 为 0，PSNR 返回Inf，这在去噪效果对比中代表“无损”，显示Inf比强行给一个 999 更诚实。

函数里没有做尺寸校验，实际工作流中要前置检查。我一般用isequal(size(orig), size(denoised))先判断尺寸是否一致，尺寸不一致直接报错，避免广播机制自动扩容带来的假结果。彩色图的通道顺序也值得确认：Matlab 读入的图像是H×W×C，而有些第三方库导出的图像是C×H×W，直接相减不会报错，但 MSE 的含义完全错了。

3. Matlab中实现PSNR计算的两条路径：内置函数与自定义函数

3.1 用immse和psnr函数：一行得到指标，但前提是统一数据类型

Matlab 自 R2014b 起在 Image Processing Toolbox 中提供了immse和psnr两个函数，用法极其简单：

% 读取原始图像和去噪图像 orig = imread('clean_image.png'); denoised = imread('denoised_result.png'); % 统一转换为double，并归一化到[0,1] orig_d = im2double(orig); denoised_d = im2double(denoised); % 计算MSE和PSNR mse_val = immse(orig_d, denoised_d); psnr_val = psnr(orig_d, denoised_d); fprintf('MSE = %.4f, PSNR = %.2f dB\n', mse_val, psnr_val);

im2double在这里是关键：它把 uint8 的 0~255 映射到 double 的 [0,1]。这个转换同时解决了两个问题，一是规避了 uint8 减法的溢出，二是让动态范围明确为 1.0，与psnr函数对 double 输入的默认L接上了。如果你保持 uint8 类型直接调用psnr(A, B)，Matlab 内部会先把它们转成 double 再计算。psnr对 uint8 输入自动取L=255，对 double 归一化输入自动取L=1.0，两边结果数值一致，但显式im2double能让代码读起来更清楚，也让“这个值基于什么动态范围算出来”变得透明。

内置函数表里还有两个值得注意的调用形式。psnr(A, B, peakval)允许第三个参数手动指定峰值；psnr(A, B, peakval, 'DataFormat', 'SS')指定数据为单一空间维度或时空数据。DataFormat参数在视频序列或 3D 体数据的质量评估中有用，静态图像默认不用传。对需要批量对比的场景，我建议把这两个函数包装一层：

function [mse_val, psnr_val] = robust_psnr(orig, denoised, peakval) if nargin < 3 if isa(orig, 'uint8') || isa(orig, 'uint16') peakval = double(intmax(class(orig))); else peakval = 1.0; end end mse_val = immse(orig, denoised); psnr_val = psnr(orig, denoised, peakval); end

nargin < 3的判断让函数在未指定峰值时自动选择合理值，intmax动态获取当前数据类型的最大值，避免硬编码 255 或 65535。这段代码的核心价值是“复用”：之后换任何数据类型，不需要改调用处逻辑。

3.2 自定义psnr_calc函数：支持灰度/彩色、任意动态范围、尺寸校验

内置函数的问题是报错信息不友好，且对 float 输入不检查范围。真实项目中，我会写一个更完整的版本：

function [mse_val, psnr_val] = psnr_calc(orig, denoised, peakval) % 完整版PSNR/MSE计算，带类型检查和错误提示 % 输入: % orig - 参考图像，uint8/uint16/double均可 % denoised - 待评价图像，类型和尺寸需与orig一致 % peakval - 可选，峰值信号值；不传则根据orig类型推断 % 输出: % mse_val - 均方误差 % psnr_val - 峰值信噪比，单位dB % 1. 类型与尺寸校验 if ~isa(orig, class(denoised)) error('两幅图像的数据类型不一致: %s vs %s', class(orig), class(denoised)); end if ~isequal(size(orig), size(denoised)) error('尺寸不匹配: [%s] vs [%s]', ... num2str(size(orig)), num2str(size(denoised))); end % 2. 转换到double计算，保持原始范围 orig_d = double(orig); denoised_d = double(denoised); % 3. 推断peakval if nargin < 3 if isa(orig, 'uint8') peakval = 255; elseif isa(orig, 'uint16') peakval = 65535; else peakval = 1.0; end end % 4. 计算MSE（所有通道合并） diff = orig_d - denoised_d; mse_val = mean(diff(:).^2); % 5. 计算PSNR，处理零误差 if mse_val < eps psnr_val = Inf; else psnr_val = 10 * log10(peakval.^2 / mse_val); end end

这个版本的工程化处理有三个细节：第一步的isa检查确保两张图像类型一致，否则double()转换后的数值语义会错位；第四步用了mse_val < eps而不是mse_val == 0，因为 double 浮点数在像素全等时相减的理论结果是 0，但经过压缩或重采样后可能出现 1e-30 量级的极小值，此时若判等会输出Inf还是正常大数取决于浮点表示；peakval的推断规则集中在函数尾部，避免调用方遗忘这个关键参数。

这里补充一个易错场景：如果orig是 uint8，denoised是 double 且取值范围 [0,1]，直接调用会触发isa报错。正确的处理是先将denoised乘 255 或先将两图统一。反过来，如果两图都是 double，但一个是 0~1 归一化，另一个是 0~255，isa检测不出问题，但计算结果会失真，所以代码里要加一个max(orig(:))的范围断言：

assert(max(orig(:)) <= 1.5 || max(orig(:)) > 250, '无法判断动态范围，请手动传入peakval');

3.3 参数怎么传：图像需要预先对齐，通道顺序不能错

PSNR 计算的前提假设是“两张图像在空间位置上已经对齐”。做去噪效果对比时，如果原图和去噪图来自同一路径，只是经过了滤波，它们天然对齐；但如果目标检测或图像配准流程之后做质量评估，要先把两张图变换到同一坐标系，否则算出的 MSE 来自“错位误差”而不是“噪声/失真误差”。常见的对齐手段包括：imregister做单模态配准、imwarp做仿射变换、padarray做边缘填充对齐。这些前置步骤如果遗漏，结果没有意义，而且从数值上很难察觉——因为轻微错位通常只让 PSNR 掉 2~5 dB，看起来像去噪效果略差，实则是空间误差。

通道顺序的坑在深度学习和第三方工具交互时特别常见。Matlab 的常规排布是H×W×C，即 RGB 三个通道沿第三维排列。Python 端用 PIL 读图后转 numpy 数组通常是H×W×C，但用 OpenCV 读图则默认H×W×C的 BGR 顺序。如果外部数据被转成C×H×W，在 Matlab 里size(orig)返回[3, H, W]，与正常图像[H, W, 3]的维度语义完全不同。代码里最保险的做法是在函数入口permute(orig, [2 3 1])，把维度统一到H×W×C。这个细节在单通道灰度图上看不出来，因为灰度图第三维是 1，维度重排不影响数值；只有彩色图才需要严格执行。

4. 比较两个去噪算法效果的完整示例：从加噪到指标对比

4.1 构造基准：用imnoise添加高斯噪声，固定随机种子保证可比性

先构造一个可复现的实验环境。用randn直接加高斯噪声是最可控的，imnoise的好处是封装了方差归一化逻辑：

% 读取原始干净图像，转为灰度图减小计算量 orig = imread('cameraman.tif'); if size(orig, 3) == 3 orig = rgb2gray(orig); end orig_d = im2double(orig); % 固定随机种子，保证每次运行添加的噪声完全相同 rng(42); noise_var = 0.01; % 高斯噪声方差，0.01于人眼看来有明显噪点 noisy_d = imnoise(orig_d, 'gaussian', 0, noise_var); % 保存基准数据，供后续比较 save('denoise_benchmark.mat', 'orig_d', 'noisy_d', 'noise_var');

rng(42)是关键：Matlab 的imnoise内部使用全局随机流，固定种子后，同一台机器上每次运行得到的含噪图完全一致，这样两轮实验之间只有算法差异，没有随机性干扰。noise_var=0.01是一个常用基线，对应标准差 0.1，人眼能明显看到颗粒感但原图结构依然可辨。如果想要更强噪声，可以调到 0.05，此时 PSNR 约在 14~15 dB，多数去噪算法都会表现出强烈的平滑效应，指标对比会拉开差距。imnoise(..., 'gaussian', m, v)的前两个参数分别是均值和方差，均值一般取 0 即对称高斯噪声。

加噪之后顺手验证一下基线 PSNR，即“含噪图 vs 原图”的指标。这个值代表未做任何处理的起点，后续所有去噪算法的 PSNR 都应该高于它。如果某算法处理后 PSNR 反而低于这个基线，说明算法引入了额外失真，可能不如不做。

4.2 中值滤波与维纳滤波去噪后计算两两PSNR和MSE

选用两种特性完全不同的去噪算法做对照：中值滤波是排序统计方法，适合脉冲噪声，对高斯噪声的抑制效果一般；维纳滤波基于局部方差自适应，对高斯噪声更有效。对比时同时输出 MSE 和 PSNR，让数值与算法行为挂钩：

% 方法一：3x3中值滤波 denoised_med = medfilt2(noisy_d, [3 3]); % 方法二：维纳滤波，默认使用局部5x5邻域估计噪声 denoised_wiener = wiener2(noisy_d, [5 5]); % 计算两两指标 metrics = zeros(3, 2); % 行: no噪图/中值/维纳，列: MSE/PSNR [mse_noisy, psnr_noisy] = psnr_calc(orig_d, noisy_d, 1.0); [mse_med, psnr_med] = psnr_calc(orig_d, denoised_med, 1.0); [mse_wiener, psnr_wiener] = psnr_calc(orig_d, denoised_wiener, 1.0); metrics(1, :) = [mse_noisy, psnr_noisy]; metrics(2, :) = [mse_med, psnr_med]; metrics(3, :) = [mse_wiener, psnr_wiener]; % 打印对比表 fprintf('%-18s %12s %12s\n', '方法', 'MSE', 'PSNR(dB)'); fprintf('%-18s %12.4f %12.2f\n', '含噪图', metrics(1,1), metrics(1,2)); fprintf('%-18s %12.4f %12.2f\n', '中值滤波[3x3]', metrics(2,1), metrics(2,2)); fprintf('%-18s %12.4f %12.2f\n', '维纳滤波[5x5]', metrics(3,1), metrics(3,2));

medfilt2的[3 3]邻域是最小可用窗口，噪声去除能力有限但细节保留好。换成[5 5]会明显平滑，PSNR 可能不变或下降，因为中值滤波器对高斯噪声的抑制随窗口增大不是单调提升的。wiener2的第二个参数[5 5]是局部邻域尺寸，同时它内部会估计局部均值和方差，对高斯噪声的响应更智能。

运行结果通常符合直觉：含噪图 PSNR 在 20 dB 附近，中值滤波提升到 24~26 dB，维纳滤波提升到 27~29 dB。此时你看到维纳滤波的 PSNR 比中值高 3 dB，先说结论：这 3 dB 对应 MSE 约为原来的一半，视觉上维纳滤波图像纹理更干净、边缘更整齐。但要注意中值滤波未发挥特长——它更适合椒盐噪声，换用imnoise(..., 'salt & pepper', 0.05)重新测试，中值滤波的 PSNR 反超维纳滤波，因为维纳滤波对脉冲噪声的响应很差。

4.3 去噪后PSNR反而变低的排查思路

一种常见却容易忽略的情况：参考图像本身带噪，去噪图比参考图更干净，导致两者 MSE 偏大、PSNR 偏低。例如从相机读入的原始 RAW 图像包含传感器噪声，把它当干净基准去评价去噪结果，得到的 PSNR 会低估算法真实性能。这种情况下应该先对参考图做高质量去噪（如非局部均值或 BM3D），得到一个“准干净”基准，再计算两图的 PSNR。

排查步骤固定为三步。第一步检查数据类型和动态范围，参考第 2 节的 L 取值表。第二步用imshowpair(orig, denoised, 'diff')可视化残差图，残差图的明亮区域对应 MSE 的主要贡献点，观察这些点聚集在纹理丰富区域还是平坦区域。如果残差集中在地板、天空等平坦区，算法过平滑；如果集中在边缘，算法可能引入了振铃。第三步比较迭代次数或窗口大小：中值滤波从 3x3 换 5x5，维纳滤波从 5x5 换 7x7，记录 PSNR 变化方向，如果增大窗口 PSNR 反而下降，说明滤波器进入过拟合区域，细节丢失多、噪声减少少，这个拐点就是该算法在此噪声强度下的最优参数。

需要注意的是，PSNR 不是万能的。一种经典反例是去噪图整体偏移了 2 个灰度级（比如亮度整体降低），肉眼几乎不可见，但 MSE 因为直流偏移迅速增大，PSNR 掉到 20 dB 以下。遇到这种情况要优先检查直方图，用imhist对比两图亮度分布。直流偏移可以通过imadjust或线性拉伸修正，之后 PSNR 回到正常区间，说明噪声去除本身是成功的。

5. 把PSNR和MSE扩展成完整评价流程：从单指标到可靠性验证

5.1 批量图像对比时，把逐张PSNR写入表格

单张图的 PSNR 有偶然性，批量验证才有说服力。用一个循环对多张测试图处理，并将结果写入表格：

% 批量测试：5张图像，两种去噪算法 image_list = {'cameraman.tif', 'pout.tif', 'coins.png', ... 'moon.tif', 'circuit.tif'}; algo_list = {'medfilt2_3x3', 'wiener2_5x5'}; results = table(); for k = 1:length(image_list) orig = imread(image_list{k}); if size(orig, 3) == 3 orig = rgb2gray(orig); end orig_d = im2double(orig); rng(k); % 不同图用不同种子，保证多样性 noisy = imnoise(orig_d, 'gaussian', 0, 0.01); row = table(image_list{k}, 'VariableNames', {'Image'}); row.BasePSNR = psnr_calc(orig_d, noisy, 1.0); denoised_m = medfilt2(noisy, [3 3]); row.MedfiltPSNR = psnr_calc(orig_d, denoised_m, 1.0); denoised_w = wiener2(noisy, [5 5]); row.WienerPSNR = psnr_calc(orig_d, denoised_w, 1.0); results = [results; row]; end % 写入CSV，便于外部工具继续处理 writetable(results, 'denoise_metrics.csv'); disp(results);

rng(k)为每张图指定不同种子，避免所有图用同一噪声模式后，算法恰好对该模式有偏向。table累计行记录，writetable输出 CSV 可以在 Excel 或 Python pandas 中继续做统计检验。这个流程的价值在于覆盖多图后，平均值和中位数的参考意义远大于单图 PSNR。

5.2 指标数值与主观感知的对应区间

做图像去噪对比时，不要把 PSNR 当绝对真理，要结合主观感知理解数值。经验区间大致是：PSNR 高于 40 dB 表示两图几乎无差异，人眼极难分辨；30~40 dB 表示轻微失真，通常在纹理区域可见；20~30 dB 表示明显失真，整体结构仍可辨认但细节损失肉眼可辨；低于 20 dB 则画质已经严重劣化。这些区间对应着不同的应用容忍度——医学影像和遥感图像要求 PSNR 通常不低于 35 dB，监控视频可以放宽到 30 dB。

当两幅去噪结果 PSNR 相差不到 0.5 dB，这个差异在统计上可能没有意义。更准确的做法是计算局部 PSNR：把图像切成 8x8 或 16x16 块，逐块计算 MSE，再观察误差分布的标准差。低标准差意味着误差均匀分布，算法行为稳定；高标准差则说明误差集中在某些区域。

5.3 用局部MSE热图快速定位去噪方法的失效区域

全局 PSNR 只有单个数字，掩盖了误差空间分布的信息。用blockproc逐个 16x16 块计算 MSE，输出热图可以精确定位“哪里被过度平滑”：

% 定义块MSE计算函数句柄 block_mse = @(block_struct) mean((block_struct.data(:) - ... block_struct.data(:)*0).^2); % 占位，实际需要参照块 % 正确的写法：传入原图块与去噪图块的误差 ref_blocks = blockproc(orig_d, [16 16], @(b) b.data); den_blocks = blockproc(denoised_wiener, [16 16], @(b) b.data); mse_map = (ref_blocks - den_blocks).^2; mse_map = mean(mse_map, 3); % 如果是彩色图按通道平均

更简洁的做法是用imfilter构造局部误差图：

diff_img = (orig_d - denoised_wiener).^2; % 16x16均值核模拟局部MSE local_mse = imfilter(diff_img, ones(16)/256, 'replicate'); figure; imagesc(local_mse); axis image; colorbar; colormap hot;

ones(16)/256是归一化的均值核，每个输出像素是周围 16x16 邻域的平方误差均值。'replicate'边界选项让边框像素也参与计算，不会因为补零产生虚假的低误差区。热图上亮点密集的区域就是该去噪算法表现最差的地方，据此可以决定是增大邻域窗口还是换用边缘保持类滤波器。最后记住一件事：PSNR 的可信度取决于参考图的质量和数据类型的规范，这两个前提不满足，任何 dB 数字都只能当作相对参考，而不是绝对质量度量。

本文还有配套的精品资源，点击获取