這篇文章主要介紹了python Opencv計(jì)算圖像相似度過程解析,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

一、相關(guān)概念

一般我們?nèi)藚^(qū)分誰是誰，給物品分類，都是通過各種特征去辨別的，比如黑長直、大白腿、櫻桃唇、瓜子臉。王麻子臉上有麻子，隔壁老王和兒子很像，但是兒子下巴漲了一顆痣和他媽一模一樣，讓你確定這是你兒子。
還有其他物品、什么桌子帶腿、鏡子反光能在里面倒影出東西，各種各樣的特征，我們通過學(xué)習(xí)、歸納，自然而然能夠很快識別分類出新物品。

而沒有學(xué)習(xí)訓(xùn)練過的機(jī)器就沒辦法了。

但是圖像是一個(gè)個(gè)像素點(diǎn)組成的，我們就可以通過不同圖像之間這些差異性就判斷兩個(gè)圖的相似度了。其中顏色特征是最常用的，（其余常用的特征還有紋理特征、形狀特征和空間關(guān)系特征等）
其中又分為

• 直方圖
• 顏色集
• 顏色矩
• 聚合向量
• 相關(guān)圖

1、直方圖

在Python中利用opencv中的calcHist()方法獲取其直方圖數(shù)據(jù)，返回的結(jié)果是一個(gè)列表，使用matplotlib，畫出了這兩張圖的直方圖數(shù)據(jù)圖

import cv2
import numpy
from matplotlib import pyplot
if __name__ == '__main__':
  imgobj1 = cv2.imread('pho.jpg')
  imgobj2 = cv2.imread('ph1.jpg')
  hist1 = cv2.calcHist([imgobj1], [0], None, [256], [0.0, 255.0])
  hist2 = cv2.calcHist([imgobj2], [0], None, [256], [0.0, 255.0])
  pyplot.plot(range(256), hist1, 'r')
  pyplot.plot(range(256), hist2, 'b')
  pyplot.show()
  cv2.imshow('img1',imgobj1)
  cv2.imshow('img2',imgobj2)
  cv2.waitKey(0)

1.2 灰度圖及作用

灰度圖是只含有黑白顏色，和0~255亮度等級的圖片。灰度圖具有存儲小，其亮度值就是256色調(diào)色板索引號，從整幅圖像的整體和局部的色彩以及亮度等級分布特征來看，灰度圖描述與彩色圖的描述是一致的特點(diǎn)。因此很多真彩色圖片的分析，第一步就是轉(zhuǎn)換為灰度圖，然后再進(jìn)行分析。

真彩色，因?yàn)槭?4位，2(^8) * 2(^8)* 2(^8) = 16777216種顏色，需要調(diào)色板16777216 * 4byte字節(jié)的空間也就是64MB的調(diào)色板空間，所以真彩色是不用調(diào)色板的。

例如視頻目標(biāo)跟蹤和識別時(shí)，第一步就是要轉(zhuǎn)換為灰度圖?，F(xiàn)有的成熟分析算法多是基于灰度圖像的，灰度圖像綜合了真彩色位圖的RGB各通道的信息。

（一）：單通道圖，

俗稱灰度圖，每個(gè)像素點(diǎn)只能有有一個(gè)值表示顏色，它的像素值在0到255之間，0是黑色，255是白色，中間值是一些不同等級的灰色。（也有3通道的灰度圖，3通道灰度圖只有一個(gè)通道有值，其他兩個(gè)通道的值都是零）。

（二）:三通道圖，每個(gè)像素點(diǎn)都有3個(gè)值表示 ，所以就是3通道。也有4通道的圖。例如RGB圖片即為三通道圖片，RGB色彩模式是工業(yè)界的一種顏色標(biāo)準(zhǔn)，是通過對紅(R)、綠(G)、藍(lán)(B)三個(gè)顏色通道的變化以及它們相互之間的疊加來得到各式各樣的顏色的，RGB即是代表紅、綠、藍(lán)三個(gè)通道的顏色，這個(gè)標(biāo)準(zhǔn)幾乎包括了人類視力所能感知的所有顏色，是目前運(yùn)用最廣的顏色系統(tǒng)之一?？傊?，每一個(gè)點(diǎn)由三個(gè)值表示。

直方圖判斷相似度，如上圖，就算重合度即可

1.3 圖像指紋和漢明距離

圖像指紋：

和人的指紋一樣，是身份的象征，而圖像指紋簡單點(diǎn)來講，就是將圖像按照一定的哈希算法，經(jīng)過運(yùn)算后得出的一組二進(jìn)制數(shù)字。

漢明距離：

假如一組二進(jìn)制數(shù)據(jù)為101，另外一組為111，那么顯然把第一組的第二位數(shù)據(jù)0改成1就可以變成第二組數(shù)據(jù)111，所以兩組數(shù)據(jù)的漢明距離就為1

簡單點(diǎn)說，漢明距離就是一組二進(jìn)制數(shù)據(jù)變成另一組數(shù)據(jù)所需的步驟數(shù)，顯然，這個(gè)數(shù)值可以衡量兩張圖片的差異，漢明距離越小，則代表相似度越高。漢明距離為0，即代表兩張圖片完全一樣。

1.3.1 平均哈希

此算法是基于比較灰度圖每個(gè)像素與平均值來實(shí)現(xiàn)的

一般步驟：

• 縮放圖片，一般大小為8*8，64個(gè)像素值。
• 轉(zhuǎn)化為灰度圖
• 計(jì)算平均值：計(jì)算進(jìn)行灰度處理后圖片的所有像素點(diǎn)的平均值，直接用numpy中的mean()計(jì)算即可。
• 比較像素灰度值：遍歷灰度圖片每一個(gè)像素，如果大于平均值記錄為1，否則為0.
• 得到信息指紋：組合64個(gè)bit位，順序隨意保持一致性。
• 最后比對兩張圖片的指紋，獲得漢明距離即可。

import cv2
import numpy as np

img1 = cv2.imread("/absPath.png")
img2 = cv2.imread("./x.png")

#調(diào)整到8*8
img1 = cv2.resize(img1,(8,8))
img2 = cv2.resize(img2,(8,8))

#轉(zhuǎn)化為灰度圖
gray1 = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)

#獲取哈希
hash1 = getHash(gray1)
hash2 = getHash(gray2)

ret = Hamming_distance(hash1,hash2)


# 輸入灰度圖，返回hash
def getHash(image):
  avreage = np.mean(image) #計(jì)算像素平均值
  hash = []
  for i in range(image.shape[0]):
    for j in range(image.shape[1]):
      if image[i, j] > avreage:
        hash.append(1)
      else:
        hash.append(0)
  return hash
# 計(jì)算漢明距離
def Hamming_distance(hash1, hash2):
  num = 0
  for index in range(len(hash1)):
    if hash1[index] != hash2[index]:
      num += 1
  return num

1.3.2 感知哈希及d哈希

感知哈希算法(pHash)

平均哈希算法過于嚴(yán)格，不夠精確，更適合搜索縮略圖，為了獲得更精確的結(jié)果可以選擇感知哈希算法，它采用的是DCT（離散余弦變換）來降低頻率的方法

一般步驟：

• 縮小圖片：32 * 32是一個(gè)較好的大小，這樣方便DCT計(jì)算
• 轉(zhuǎn)化為灰度圖
• 計(jì)算DCT：利用Opencv中提供的dct()方法，注意輸入的圖像必須是32位浮點(diǎn)型，所以先利用numpy中的float32進(jìn)行轉(zhuǎn)換
• 縮小DCT：DCT計(jì)算后的矩陣是32 * 32，保留左上角的8 * 8，這些代表的圖片的最低頻率
• 計(jì)算平均值：計(jì)算縮小DCT后的所有像素點(diǎn)的平均值。
• 進(jìn)一步減小DCT：大于平均值記錄為1，反之記錄為0.
• 得到信息指紋：組合64個(gè)信息位，順序隨意保持一致性。
• 最后比對兩張圖片的指紋，獲得漢明距離即可。

dHash算法

相比pHash，dHash的速度要快的多，相比aHash，dHash在效率幾乎相同的情況下的效果要更好，它是基于漸變實(shí)現(xiàn)的。

步驟：

縮小圖片：收縮到9*8的大小，以便它有72的像素點(diǎn)

轉(zhuǎn)化為灰度圖

計(jì)算差異值：dHash算法工作在相鄰像素之間，這樣每行9個(gè)像素之間產(chǎn)生了8個(gè)不同的差異，一共8行，則產(chǎn)生了64個(gè)差異值
獲得指紋：如果左邊的像素比右邊的更亮，則記錄為1，否則為0.
最后比對兩張圖片的指紋，獲得漢明距離即可。

dHash:

#差值感知算法
def dhash(image1,image2):
  image1 = cv2.resize(image1,(9,8))
  image2 = cv2.resize(image2,(9,8))
  gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) #切換至灰度圖
  gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY)
  hash1 = dhashcaulate(gray1)
  hash2 = dhashcaulate(gray2)
  return Hamming_distance(hash1,hash2)
 
def dhashcaulate(gray):
  hash_str = ''
  for i in range(8):
    for j in range(8):
      if gray[i, j] > gray[i, j + 1]:
        hash_str = hash_str + '1'
      else:
        hash_str = hash_str + '0'
  return hash_str

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。