而对于大多数 1D 信号，人们使用的 RMSE / SNR 图像是不同的。
虽然人们对雷达或超声波信号没有感觉，但他们可以清楚地看到图像质量是否良好或是否与参考图像相似。

在图像中，很明显，针对 RMSE（或平方误差）优化图像会带来“模糊”信号优势。
这意味着边缘是模糊的。
我们的视觉系统对边缘非常敏感。

因此，必须创建一个不同的指标。
有人建议 PSNR 并成为标准，因为它比 RMSE / SNR 更好地匹配视觉系统（它本身并不好，只有更好）。

实际上，今天图像恢复质量度量的话题非常热门。
通常今天最被接受的指标是SSIM（结构相似性）。

总而言之，这一切都是为了与我们的视觉系统看到的质量更加一致，而 RMSE 并不能很好地匹配它。

考虑 8 位量化。这给出了大约 0.577 最低有效位 (LSB) 的均方误差。量化两个不同平均强度的图像会给出两个不同的 SNR，因为该度量是针对输入图像的平均强度进行归一化的，但 PSNR 是相同的，因为它是针对最大像素值 255 进行归一化的。当描述类似图像的质量时压缩方法，最好使用（在一定程度上）独立于源材料的度量，因为即使在不提供输入图像的情况下进行交流时，它也具有意义。