正确计算PSNR对于做超分辨率研究是很重要的，因为PSNR是被广泛使用的metric之一。同时bicubic插值算法也很重要，因为目前主流的有监督超分辨率算法中，需要构成HR-LR训练对，而这个对的构成方法需要使用到bicubic插值。PSNR的定义很简单，
M S E = 1 H × W ∑ i = 1 H ∑ j = 1 W ( X ( i , j ) − Y ( i , j ) ) 2 M S E=frac{1}{H times W} sum_{i=1}^{H} sum_{j=1}^{W}(X(i, j)-Y(i, j))^{2} MSE=H×W1i=1∑Hj=1∑W(X(i,j)−Y(i,j))2
P S N R = 10 log 10 ( 25 5 2 M S E ) P S N R=10 log _{10}left(frac{255^{2}}{M S E}right) PSNR=10log10(MSE2552)
其中X和Y分别是GT图片和待测图片，值域为[0,255]。
但是当真正在python上用这个公式计算bicubic的PSNR时（因为bicubic的结果是能精确复现的，其他深度学习的算法不一定能精确复现），会发现计算出来的结果经常会有很大偏差。这是因为这2个原因：
1、使用的resize方法不正确。以下以Set5的bicubic_x2结果为例，结果应该为33.66，这个结果是用Matlab的imresize做bicubic插值（必须要在float16或float32的type下计算），还需要在线计算（即不能保存后读取再算，或者转type后再算）才能得到。如果使用的是python中的插值（不论用的是Opencv、Image还是skimage），都得不到这个结果。
2、使用的计算方法不正确，包括转换Y通道的时机和计算中间量的数据类型。
我研究的结果是参考SRCNN的Matlab代码http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html，实验证明Matlab代码是可以获得33.66这个结果的，并且在python上复现了计算PSNR的代码，验证后与matlab计算的结果一致（33.65，这是因为用bicubic插值得到的中间图像，是计算不出33.66的（在python和matlab上都不行），具体看流程图就很好理解了）
这里要感谢https://github.com/fatheral/matlab_imresize的工作，这份工作成功在python上复现了matlab版本的bicubic插值算法（别的是否一致我不确定）。但是我的实验表明，double版本的插值完全一致，但uint8版本的插值有些区别，不过正常计算PSNR的流程中不需要uint8版本的插值，也就没有影响了。
我的代码放在https://github.com/cyfwry/PSNR_metric，如有需要可以取用。
2020.12.21
最近的工作发现，matlab的imsize之前有些问题是没法确定的，比如是转成float16还是float32，除不除255，这些没法确定。诚然，这些操作会影响最后的计算结果，但是影响实在太小（不到0.01dB）导致没法确认采用哪个，所以索性喜欢用哪个就用哪个吧。SRCNN里是除255，转float16做的。
另外，还有个很奇怪的事。DIV2K官方提供的bicubic_4x数据集，它确实是用matlab上的imresize做出来的，但是它并没有转float16或float32，而是直接用uint8算的！（我对了各种做法输出的图像的总大小，只有这样做最终的结果才是一致的）