测试技能 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

软件测试入门指南：从零基础到核心技能解析

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

一、什么是软件测试？

软件测试是通过技术手段验证软件是否满足需求的过程，本质上是通过系统化的方法发现软件缺陷，确保产品质量[1]。测试工程师需要像侦探一样，通过不同的测试手段寻找软件中的"漏洞"。

二、测试分类体系解析

2.1 按测试方法划分

黑盒测试：不关注内部实现，验证功能是否符合需求（如电商下单流程测试）
白盒测试：基于代码逻辑的测试（常用于单元测试）
灰盒测试：结合代码和功能的混合测试[2]

2.2 按测试阶段划分

单元测试：验证最小代码单元
集成测试：模块间接口测试
系统测试：完整业务流程验证
验收测试：用户需求匹配度测试

三、新手学习路径规划

3.1 基础阶段（1-3个月）

掌握测试基本理论：测试生命周期、缺陷管理流程
熟悉测试文档编写：测试计划、用例、报告
学习SQL基础与Linux常用命令[2]

3.2 进阶路线（4-6个月）

建议选择以下组合发展：

功能测试 + 接口测试（适合业务型测试）
自动化测试 + 接口测试（技术路线）
功能 + 性能测试（全栈方向）[1]

四、必备工具与技术栈

测试类型	推荐工具
功能测试	Jira, TestLink
接口测试	Postman, Swagger
自动化测试	Selenium, Appium
性能测试	JMeter, LoadRunner
持续集成	Jenkins, GitLab CI

五、职业发展建议

保持学习敏感度：关注AI测试、混沌工程等新趋势[4]
构建技术深度：从脚本录制进阶到框架开发（如Pytest框架）
培养质量意识：通过质量模型（功能性/可靠性/易用性等维度）全面评估产品[1]

测试工程师的成长就像玩RPG游戏：前期打基础（功能测试）是新手村任务，中期选择职业方向（自动化/性能）开启转职，后期成为测试架构师则是挑战终极BOSS[3]。

参考资料

ISTQB Foundation Syllabus：https://www.istqb.org/certifications/certified-tester-foundation-level/
ISO/IEC/IEEE 29119 软件测试标准：https://www.iso.org/standard/45142.html
软件测试生命周期（STLC）实践介绍：https://www.browserstack.com/guide/software-testing-life-cycle
ISO/IEC 25010 软件质量模型：https://iso25000.com/index.php/en/iso-25000-standards/iso-25010