Python on 忘川

Psnr对比图片画质

Thu, 02 Oct 2025 00:00:00 +0000

3.1 典型评价尺度

PSNR范围(dB)	图像质量评价
>40	极好（肉眼不可辨差异）
30-40	良好（可接受质量）
20-30	较差（明显失真）
<20	严重失真（不可接受）

import numpy as np
import cv2
import matplotlib.pyplot as plt


"""计算两幅RGB图像的PSNR值
参数:
 img1: 原始图像(numpy数组)
 img2: 待评估图像(numpy数组)
返回:
 PSNR值(dB)
"""
def rgb_psnr(img1, img2):
 # 确保输入是numpy数组
 img1 = np.array(img1, dtype=np.float64)
 img2 = np.array(img2, dtype=np.float64)
 # 计算各通道MSE
 mse_r = np.mean((img1[:, :, 0] - img2[:, :, 0]) ** 2)
 mse_g = np.mean((img1[:, :, 1] - img2[:, :, 1]) ** 2)
 mse_b = np.mean((img1[:, :, 2] - img2[:, :, 2]) ** 2)
 # 计算平均MSE
 mse = (mse_r + mse_g + mse_b) / 3
 # 处理完全相同的图像
 if mse == 0:
 return float('inf')
 return 20 * np.log10(255 / np.sqrt(mse))


def psnr(img1, img2):
 img1 = img1.astype(np.float64)
 img2 = img2.astype(np.float64)

 mse = np.mean((img1 - img2) ** 2)
 if mse == 0:
 return float('inf')

 if img1.max() > 1:
 max_pixel = 255.0
 else:
 max_pixel = 1.0

 return 20 * np.log10(max_pixel / np.sqrt(mse))


if __name__ == "__main__":
 # 1. 读取原始图像
 original = cv2.imread('../../mario.png') # BGR格式
 original = cv2.cvtColor(original, cv2.COLOR_BGR2RGB) # 转换为RGB

 # 2. 创建测试图像（添加高斯噪声）
 noisy = original + np.random.normal(0, 25, original.shape)
 noisy = np.clip(noisy, 0, 255).astype(np.uint8)

 # 3. 计算PSNR
 # psnr_value = rgb_psnr(original, noisy)
 psnr_value = psnr(original, noisy)
 print(f"PSNR between original and noisy image: {psnr_value:.2f} dB")

 # 4. 可视化比较
 plt.figure(figsize=(12, 6))

 plt.subplot(1, 2, 1)
 plt.imshow(original)
 plt.title('Original Image')
 plt.axis('off')

 plt.subplot(1, 2, 2)
 plt.imshow(noisy)
 plt.title(f'Noisy Image (PSNR={psnr_value:.2f}dB)')
 plt.axis('off')

 plt.tight_layout()
 plt.show()

SSIM对比图片相似度

Thu, 02 Oct 2025 00:00:00 +0000

对比图片相似度, 相似度越接近1 表示相似度越高,

import cv2
import numpy as np
from scipy.ndimage import gaussian_filter

def load_image_grayscale(image_path):
 img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
 if img is None:
 raise ValueError(f"无法读取图像: {image_path}")
 img = img.astype(np.float64) / 255.0
 
 return img

def compute_statistics(img1, img2, window_size=11, sigma=1.5):
 mu1 = gaussian_filter(img1, sigma=sigma)
 mu2 = gaussian_filter(img2, sigma=sigma)
 
 sigma1_sq = gaussian_filter(img1 ** 2, sigma=sigma) - mu1 ** 2
 sigma2_sq = gaussian_filter(img2 ** 2, sigma=sigma) - mu2 ** 2
 
 
 
 sigma12 = gaussian_filter(img1 * img2, sigma=sigma) - mu1 * mu2
 
 
 return mu1, mu2, sigma1_sq, sigma2_sq, sigma12

def calculate_ssim(img1, img2, window_size=11, sigma=1.5, K1=0.01, K2=0.03, L=1.0):
 mu1, mu2, sigma1_sq, sigma2_sq, sigma12 = compute_statistics(img1, img2, window_size, sigma)
 
 C1 = (K1 * L) ** 2
 C2 = (K2 * L) ** 2
 
 luminance = (2 * mu1 * mu2 + C1) / (mu1 ** 2 + mu2 ** 2 + C1)
 
 print(f"luminance: {np.mean(luminance):.4f}")
 
 # 确保方差值非负
 sigma1_sq = np.maximum(sigma1_sq, 0)
 sigma2_sq = np.maximum(sigma2_sq, 0)
 
 contrast = (2 * np.sqrt(sigma1_sq) * np.sqrt(sigma2_sq) + C2) / (sigma1_sq + sigma2_sq + C2)
 print(f"contrast: {np.mean(contrast):.4f}")
 structure = (sigma12 + C2 / 2) / (np.sqrt(sigma1_sq) * np.sqrt(sigma2_sq) + C2 / 2)
 print(f"structure: {np.mean(structure):.4f}")
 
 ssim_map = luminance * contrast * structure
 return np.mean(ssim_map)

def ssim_index(image1_path, image2_path, window_size=11, sigma=1.5, K1=0.01, K2=0.03):
 img1 = load_image_grayscale(image1_path)
 img2 = load_image_grayscale(image2_path)
 
 if img1.shape != img2.shape:
 raise ValueError("输入的两幅图像必须具有相同的尺寸")
 
 ssim = calculate_ssim(img1, img2, window_size, sigma, K1, K2, L=1.0)
 return ssim

# 示例使用
if __name__ == "__main__":
 image1_path = '/Users/pkl/Downloads/3.png'
 image2_path = '/Users/pkl/Downloads/3_副本.png'
 
 try:
 ssim_value = ssim_index(image1_path, image2_path)
 print(f"两张图像的SSIM值为: {ssim_value:.4f}")
 except Exception as e:
 print(f"计算SSIM时发生错误: {e}")

输出结果>

❯ /opt/anaconda3/bin/python "SSIM结构相似性值计算.py"
luminance: 0.9946
contrast: 0.9917
structure: 0.9869
两张图像的SSIM值为: 0.9831

Python日期处理工具类深度解析

Sat, 15 Feb 2025 00:00:00 +0000

核心功能实现

1. 基础时间获取

@staticmethod
def get_current_date() -> date:
 """获取当前日期对象（date类型）[1][3]
 Example: 2024-02-15
 """
 return date.today()

@staticmethod
def get_current_datetime() -> datetime:
 """获取当前日期时间对象（datetime类型）[2][3]
 Example: 2024-02-15 14:30:45.123456
 """
 return datetime.now()

2. 日期格式化与解析

@staticmethod
def format_date(dt: date, fmt: str = "%Y-%m-%d") -> str:
 """日期格式化输出[1][2]
 Example: 2024-02-15 → "15/02/2024"
 """
 return dt.strftime(fmt)

@staticmethod
def parse_date_str(date_str: str, fmt: str = "%Y-%m-%d") -> date:
 """字符串转日期对象[2][3]
 Example: "20240215" → 2024-02-15
 """
 return datetime.strptime(date_str, fmt).date()

3. 日期计算功能

@staticmethod
def calculate_days_diff(start: date, end: date) -> int:
 """计算两个日期之间的天数差[2]
 Example: 2024-02-10与2024-02-15 → 5天
 """
 return (end - start).days

@staticmethod
def add_days(base_date: date, days: int) -> date:
 """日期加减计算[1][3]
 Example: 2024-02-15 + 3天 → 2024-02-18
 """
 return base_date + timedelta(days=days)

4. 日历相关功能

@staticmethod
def get_month_calendar(year: int, month: int) -> str:
 """生成月份日历[4][5]
 Example: 2024年2月 → 返回格式化日历表格
 """
 return calendar.month(year, month)

@staticmethod
def is_month_end(dt: date) -> bool:
 """判断是否月末[4][5]
 Example: 2024-02-15 → False
 """
 return dt.day == calendar.monthrange(dt.year, dt.month)[1]

5. 高级判断功能

@staticmethod
def is_future_date(target: date) -> bool:
 """判断是否为未来日期[1]
 Example: 2025-01-01 → True
 """
 return target > date.today()

@staticmethod
def get_workdays(year: int, month: int) -> List[date]:
 """获取当月工作日列表[4][5]
 Example: 2024年2月 → 过滤周末的日期列表
 """
 return [date(year, month, day) for day in range(1, calendar.monthrange(year, month)[1]+1)
 if date(year, month, day).weekday() < 5]

6. 时间维度计算

@staticmethod
def get_week_number(dt: date) -> int:
 """获取ISO周数[2][3]
 Example: 2024-02-15 → 周数7
 """
 return dt.isocalendar()[1]

@staticmethod
def get_age(birth_date: date) -> int:
 """精确年龄计算[2][3]
 Example: 2000-03-15 → 24岁（当前日期2024-02-15）
 """
 today = date.today()
 return today.year - birth_date.year - ((today.month, today.day) < (birth_date.month, birth_date.day))

使用示例

print("当前日期:", DateUtils.get_current_date()) # [1][3]
print("月末判断:", DateUtils.is_month_end(date(2024,2,28))) # [4][5]
print("工作日列表:", DateUtils.get_workdays(2024, 2)) # [4][5]

功能对比表

功能	核心方法	相关模块	应用场景
日期格式化	strftime	datetime	日志记录
工作日计算	weekday + calendar	calendar	考勤统计
闰年判断	monthrange	calendar	日期校验
时区转换	astimezone	dateutil	跨国系统

最佳实践建议

处理跨时区场景时建议统一使用UTC时间[1][3]
日期比较前确保时区一致性[1][4]
使用calendar.monthrange()处理月末日期更可靠[4][5]
批量处理日期时建议先进行时区转换[3][4]

该工具类已涵盖日常开发中常见的日期处理需求，通过合理组合使用这些方法，可以显著提升开发效率。

参考资料

Python datetime 官方文档：https://docs.python.org/3/library/datetime.html
Python date/timedelta 用法：https://docs.python.org/3/library/datetime.html#date-objects
Python zoneinfo 时区文档：https://docs.python.org/3/library/zoneinfo.html
Python calendar 官方文档：https://docs.python.org/3/library/calendar.html
python-dateutil 项目文档：https://dateutil.readthedocs.io/

SeleniumBase框架深度解析：Web自动化测试的利器与局限

Sat, 15 Feb 2025 00:00:00 +0000

一、框架定位

SeleniumBase是基于Python的全栈Web自动化框架，深度融合Selenium WebDriver与pytest测试框架，支持Web自动化测试、数据抓取、端到端测试等场景[1][3]。其核心设计目标是简化Selenium的复杂操作，提供开箱即用的解决方案[2]。

二、核心优势

1. 极简API设计

封装常见操作（点击/输入/断言）为单行代码：

self.click("button#submit") # 元素点击[2]
self.assert_text("支付成功", "h1.status") # 智能断言[2]

自动处理等待机制，减少显式等待代码[4]

2. 深度pytest集成

原生支持参数化测试、夹具管理等pytest特性
命令行直接运行测试并生成报告：
```
pytest my_test.py --html=report.html[4]
```

3. 增强型功能套件

功能模块	应用场景
智能截图	失败用例自动截屏[2]
数据驱动	CSV/YAML数据源支持[2]
Bot检测绕过	模拟人类操作规避反爬[1]
多浏览器支持	Chrome/Firefox/Edge无缝切换[3]

4. 全场景覆盖能力

支持常规Web测试（表单提交/元素验证）
扩展爬虫场景（自动滚动/动态内容抓取）[1]
移动端Web测试（通过Appium集成）[5]

三、使用局限

1. 技术栈限制

仅支持Python语言，无法用于Java/C#技术体系[1]
深度依赖pytest框架，需要额外学习成本[4]

2. 性能瓶颈

基于WebDriver的架构导致执行速度较慢（相比Playwright）
大规模测试时浏览器实例管理效率较低[3]

3. 学习曲线

内置方法多达200+，新手需要时间熟悉（如self.wait_for_element_visible()与self.assert_element_present()的区别）[2]
自定义扩展需要理解框架多层继承结构[4]

4. 移动端支持

仅支持WebView测试，无法直接操作原生APP元素[5]
移动端设备管理功能较弱（对比Appium）

四、适用场景建议

✅ 推荐使用：

Python技术栈的Web项目
需要快速搭建自动化体系的团队
结合爬虫的测试验证场景[1]

❌ 不推荐使用：

高性能要求的并发测试
跨语言技术体系（Java/C#）
原生APP自动化测试

框架选择如同选汽车：SeleniumBase是配备智能驾驶的SUV，适合需要多功能集成的团队；而Cypress/Playwright更像是跑车，专注极致性能[1][3]。

参考资料

SeleniumBase 官方文档：https://seleniumbase.io/
SeleniumBase GitHub：https://github.com/seleniumbase/SeleniumBase
Selenium WebDriver 文档：https://www.selenium.dev/documentation/
Pytest 官方文档：https://docs.pytest.org/
Appium 官方文档：https://appium.io/docs/en/latest/