詳解如何使用opencv實現(xiàn)圖片相似度檢測
更新時間：2023年12月01日 11:26:15 作者：默默努力的小老弟
這篇文章主要為大家詳細(xì)介紹了如何使用opencv實現(xiàn)圖片相似度檢測,文中的示例代碼講解詳細(xì),對于我們學(xué)習(xí)人工智能有一定的幫助,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下
1.為什么學(xué)這個,我對圖像處理非常感興趣,我聯(lián)想到海爾的指紋識別門鎖是如何進(jìn)行檢測的,我在想不應(yīng)該呀,單片機(jī)性能這么差,應(yīng)該是使用了訓(xùn)練后的數(shù)據(jù)去檢測圖片的,如果我要實現(xiàn)草莓檢測,知道它是不是草莓,我覺得單純使用圖片處理是不夠的,我考慮過使用指紋模塊來接觸草莓從而實現(xiàn)判斷他是不是草莓,從而聯(lián)想到學(xué)習(xí)圖像相似度檢測,我們?nèi)祟惖氖种甘聦嵣鲜怯写罅康膫鞲衅鞯?機(jī)器如果想要實現(xiàn)那科技含量太高了,而且成本高,就算實現(xiàn)了也只能放在家里自己玩…
2.代碼基于python3.1 opencv,先使用直方圖判斷是否是簡單的圖形(運算快)如果不是在判斷是否是復(fù)雜的圖形(運算慢)
import cv2
def calculate_complexity_similarity(img1str, img2str):
# 加載兩張圖片
img1 = cv2.imread(img1str)
img2 = cv2.imread(img2str)
# 將圖片轉(zhuǎn)換為灰度圖像
gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
# 創(chuàng)建ORB特征檢測器
orb = cv2.ORB_create()
# 檢測特征點和描述符
kp1, des1 = orb.detectAndCompute(gray_img1, None)
kp2, des2 = orb.detectAndCompute(gray_img2, None)
# 創(chuàng)建暴力匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# 進(jìn)行特征匹配
matches = bf.match(des1, des2)
similarity=0.0
# 根據(jù)特征點匹配結(jié)果計算相似度
if len(matches) > 0:
similarity = sum([match.distance for match in matches]) / len(matches)
print('圖片相似度為：', similarity)
else:
print('未找到匹配的特征點')
# 調(diào)用函數(shù)進(jìn)行圖片相似度計算,計算簡單的圖片相似度
return similarity
def calculate_histogram_similarity(img1_path, img2_path):
# 讀取兩張圖片
img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)
# 計算直方圖
hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
# 歸一化直方圖
cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)
# 比較直方圖
similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
if similarity<0.6:
similarity=calculate_complexity_similarity(img1str, img2str)
return similarity
if __name__ == '__main__':
img1str='straw1.png'
img2str='straw3.png'
sim = calculate_histogram_similarity(img1str, img2str)
print('圖片相似度為：', sim)
3.測試效果
簡單的圖片使用直方圖歸一化處理
不同的圖片之間比較
2和22比較
2和23無法檢測出來,可能是2個2顏色不一樣,2和24也一樣
straw1和straw2 這兩張是在一張圖片的兩顆草莓
圖片相似度為： 0.8582924959300794
traw1和straw3,不同圖片的草莓
圖片相似度為： 69.67826086956522
與倒立的草莓
圖片相似度為： 68.84821428571429
圖片相似度為： 73.10416666666667
帶有草莓花的草莓,比較符合實際情況
圖片相似度為： 0.7757366241694935
啊這汽車和草莓是相似的?而且是多個草莓,改了下代碼 如果形狀都不同了,similarity<0直接返回
4.改進(jìn)后的代碼
import cv2
def calculate_complexity_similarity(img1str, img2str):
# 加載兩張圖片
img1 = cv2.imread(img1str)
img2 = cv2.imread(img2str)
# 將圖片轉(zhuǎn)換為灰度圖像
gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
# 創(chuàng)建ORB特征檢測器
orb = cv2.ORB_create()
# 檢測特征點和描述符
kp1, des1 = orb.detectAndCompute(gray_img1, None)
kp2, des2 = orb.detectAndCompute(gray_img2, None)
# 創(chuàng)建暴力匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# 進(jìn)行特征匹配
matches = bf.match(des1, des2)
similarity=0.0
# 根據(jù)特征點匹配結(jié)果計算相似度
if len(matches) > 0:
similarity = sum([match.distance for match in matches]) / len(matches)
print('圖片相似度為：', similarity)
else:
print('未找到匹配的特征點')
# 調(diào)用函數(shù)進(jìn)行圖片相似度計算,計算簡單的圖片相似度
return similarity
def calculate_histogram_similarity(img1_path, img2_path):
# 讀取兩張圖片
img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)
# 計算直方圖
hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
# 歸一化直方圖
cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)
# 比較直方圖
similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
print(similarity)
#30%的幾率是那應(yīng)該不是一個東西
if similarity <0.3:
return similarity
if similarity<0.6:
similarity=calculate_complexity_similarity(img1str, img2str)
return similarity
if __name__ == '__main__':
img1str='straw4.png'
img2str='straw7.png'
sim = calculate_histogram_similarity(img1str, img2str)
print('圖片相似度為：', sim)
改進(jìn)后的結(jié)果
不同的形狀的都返回負(fù)數(shù)
圖片相似度為： -0.07563206074940822
5.根據(jù)評論區(qū)網(wǎng)友的建議進(jìn)行測試
1.白描、素描、水彩 均不能識別
2.顯微鏡(基本識別得出)和草莓醬(有幾率識別70%,顏色太深識別不出,需要大數(shù)據(jù)來對比)
3.一堆草莓 可以識別出來
能識別顯微鏡下
不能識別,添加了很多其他材料,或者是放太久果醬顏色變深
可以識別
加個干擾因素,和多個草莓 64%識別出來
5.以后改進(jìn)的地方,上面的代碼可以簡單的檢測顏色相同形狀相同的問題,但是也面臨著檢測精度的不精確,我們可以錄入多個圖片如果取相似度最高的一張,當(dāng)然性能不大好, 識別蘋果和草莓達(dá)到40%相似率
其實我們不需要自己下載所有圖片來提高精確度,我們只需要和網(wǎng)絡(luò)上的1000張圖片對比,基本可以確定這個圖片是不是我們要的草莓,這個思路也可以用在識別其他物體…
- 使用模糊的圖片識別工具,識別圖片是什么
- 使用我的代碼,假設(shè)上面識別出草莓,就拿原來圖片和百度的大量圖片進(jìn)行對比,取準(zhǔn)確率最高的值在1000張圖片中
- 假設(shè)上面識別錯誤,識別為人,也按照2的方法對比,返回錯誤結(jié)果,并且使用一個關(guān)鍵字文本寫上生活中常見的物體,一一查詢
- 其實最重要的是防止重復(fù)性的工作,還是需要圖片訓(xùn)練,生成模型文件…
6.結(jié)論,這個案例僅僅只能實現(xiàn)簡單的圖片識別功能,并不能識別物體的區(qū)域,其實我們可以通過逐步縮小圖片的范圍來確定物體的位置,我發(fā)現(xiàn)使用多維數(shù)組來處理圖片不是一個明智的選擇,還得發(fā)現(xiàn)他們函數(shù)關(guān)系,多個圖片又有多個函數(shù)關(guān)系…,一個圖片有多個草莓怎么辦…
7.改進(jìn),可以任意尺寸圖片進(jìn)行識別
import cv2
import numpy as np
def calculate_complexity_similarity(img1_path, img2_path):
# 加載兩張圖片
img1 = cv2.imread(img1_path)
img2 = cv2.imread(img2_path)
# 將圖片轉(zhuǎn)換為灰度圖像
gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
# 創(chuàng)建ORB特征檢測器
orb = cv2.ORB_create()
# 檢測特征點和描述符
kp1, des1 = orb.detectAndCompute(gray_img1, None)
kp2, des2 = orb.detectAndCompute(gray_img2, None)
# 將描述符類型轉(zhuǎn)換為CV_8U
des1 = np.uint8(des1)
des2 = np.uint8(des2)
# 創(chuàng)建暴力匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# 進(jìn)行特征匹配
matches = bf.match(des1, des2)
similarity = 0.0
# 根據(jù)特征點匹配結(jié)果計算相似度
if len(matches) > 0:
similarity = sum([match.distance for match in matches]) / len(matches)
print('圖片相似度為：', similarity)
else:
print('未找到匹配的特征點')
return similarity
def calculate_histogram_similarity(img1_path, img2_path):
# 讀取兩張圖片
img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)
# 計算直方圖
hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
# 歸一化直方圖
cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)
# 比較直方圖
similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
if similarity < 0.2:
return similarity
if similarity < 0.6:
# 檢查ORB描述符是否可用，若不可用則直接返回較低的相似度值
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)
if des1 is None or des2 is None:
print('未找到足夠的特征點')
return 0.1
# 轉(zhuǎn)換描述符類型
des1 = np.uint8(des1)
des2 = np.uint8(des2)
# 進(jìn)行特征匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
orb_similarity = 0.0
if len(matches) > 0:
orb_similarity = sum([match.distance for match in matches]) / len(matches)
print('ORB圖片相似度為：', orb_similarity)
else:
print('未找到匹配的特征點')
return orb_similarity
return similarity
if __name__ == '__main__':
img1_path = 'pic/straw1.png'
img2_path = 'pic/smstraw1.png'
sim = calculate_histogram_similarity(img1_path, img2_path)
print('圖片相似度為：', sim)
8.識別多顆草莓,就需要把一張圖片分為多個區(qū)域,然后分別識別,比如我下面草莓分為4個區(qū)域去識別
代碼
import cv2
import numpy as np
def calculate_complexity_similarity(img1_path, img2_path):
# 加載兩張圖片
img1 = cv2.imread(img1_path)
img2 = cv2.imread(img2_path)
# 將圖片轉(zhuǎn)換為灰度圖像
gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
# 創(chuàng)建ORB特征檢測器
orb = cv2.ORB_create()
# 檢測特征點和描述符
kp1, des1 = orb.detectAndCompute(gray_img1, None)
kp2, des2 = orb.detectAndCompute(gray_img2, None)
# 將描述符類型轉(zhuǎn)換為CV_8U
des1 = np.uint8(des1)
des2 = np.uint8(des2)
# 創(chuàng)建暴力匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# 進(jìn)行特征匹配
matches = bf.match(des1, des2)
similarity = 0.0
# 根據(jù)特征點匹配結(jié)果計算相似度
if len(matches) > 0:
similarity = sum([match.distance for match in matches]) / len(matches)
print('圖片相似度為：', similarity)
else:
print('未找到匹配的特征點')
return similarity
def calculate_histogram_similarity(img1_path, img2_path):
# 讀取兩張圖片
img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)
# 計算直方圖
hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
# 歸一化直方圖
cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)
# 比較直方圖
similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
if similarity < 0.2:
return similarity
# 將第二個圖片切割為4個區(qū)域并分別計算相似度
h, w = img2.shape[:2]
img2_1 = img2[:h // 2, :w // 2]
img2_2 = img2[:h // 2, w // 2:]
img2_3 = img2[h // 2:, :w // 2]
img2_4 = img2[h // 2:, w // 2:]
sim_list = []
# 創(chuàng)建ORB特征檢測器
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1, None)
# 計算四個區(qū)域的相似度
for img in [img2_1, img2_2, img2_3, img2_4]:
kp2, des2 = orb.detectAndCompute(img, None)
if des1 is None or des2 is None:
print('未找到足夠的特征點')
sim_list.append(0.1)
else:
des1 = np.uint8(des1)
des2 = np.uint8(des2)
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
orb_similarity = 0.0
if len(matches) > 0:
orb_similarity = sum([match.distance for match in matches]) / len(matches)
sim_list.append(orb_similarity)
max_sim = max(sim_list)
print('圖片相似度為：', max_sim)
return max_sim
if __name__ == '__main__':
img1_path = 'pic/straw1.png'
img2_path = 'pic/straw2.png'
# 加載兩張圖片
img1 = cv2.imread(img1_path)
img2 = cv2.imread(img2_path)
# 計算ORB特征相似度
orb_similarity = calculate_complexity_similarity(img1_path, img2_path)
# 計算直方圖相似度
hist_similarity = calculate_histogram_similarity(img1_path, img2_path)
# 將第二張圖片切割為4個區(qū)域
h, w = img2.shape[:2]
img2_1 = img2[:h // 2, :w // 2]
img2_2 = img2[:h // 2, w // 2:]
img2_3 = img2[h // 2:, :w // 2]
img2_4 = img2[h // 2:, w // 2:]
# 在圖片上繪制綠色框和相似度
cv2.rectangle(img2, (0, 0), (w // 2, h // 2), (0, 255, 0), 2)
cv2.putText(img2, f" {orb_similarity:.2f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
cv2.rectangle(img2, (w // 2, 0), (w, h // 2), (0, 255, 0), 2)
cv2.putText(img2, f" {hist_similarity:.2f}", (w // 2 + 10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
cv2.rectangle(img2, (0, h // 2), (w // 2, h), (0, 255, 0), 2)
cv2.putText(img2, f" {orb_similarity:.2f}", (10, h // 2 + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
cv2.rectangle(img2, (w // 2, h // 2), (w, h), (0, 255, 0), 2)
cv2.putText(img2, f" {hist_similarity:.2f}", (w // 2 + 10, h // 2 + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
# 顯示結(jié)果圖片
cv2.namedWindow('Image', cv2.WINDOW_NORMAL)
cv2.resizeWindow('Image', 800, 600)
cv2.imshow('Image', cv2.resize(img2, (0, 0), fx=0.5, fy=0.5))
cv2.waitKey(0)
cv2.destroyAllWindows()
以上就是詳解如何使用opencv實現(xiàn)圖片相似度檢測的詳細(xì)內(nèi)容，更多關(guān)于opencv圖片相似度檢測的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Python實現(xiàn)json對值進(jìn)行模糊搜索的示例詳解
我經(jīng)常使用json進(jìn)行存儲配置，于是常常遇到這樣的問題：如果想要對某個數(shù)組里的值進(jìn)行模糊搜索，同時輸出相關(guān)的其他數(shù)組相同位置的的值該如何實現(xiàn)呢？本文就來和大家詳細(xì)聊聊2023-01-01
Python 中編碼問題，一直是很多 Python 開發(fā)者的噩夢，盡管你是工作多年的 Python 開發(fā)者，也肯定會經(jīng)常遇到令人神煩的編碼問題，收藏這篇文章以后你可以不用再Google2021-10-10
pandas讀取文件夾下所有excel文件的實現(xiàn)
最近需要做一個需求,要求匯總一個文件夾所有的excel文件,所以本文就來介紹一下pandas讀取文件夾下所有excel文件的實現(xiàn),具有一定的參考價值,感興趣的可以了解一下2023-09-09
pyc 是 Python 經(jīng)過 compile 后的文件類型，一段 Python 代碼執(zhí)行前會先將 .py 文件編譯成 .pyc 文件它是一種字節(jié)碼 byte code，然后由 Python 虛擬機(jī)執(zhí)行，這篇文章主要介紹了Python使用pyc解決明文密鑰問題,需要的朋友可以參考下2023-07-07
Python日期格式和字符串格式相互轉(zhuǎn)換的方法
這篇文章主要介紹了Python日期格式和字符串格式相互轉(zhuǎn)換的方法，本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價值,需要的朋友可以參考下2020-02-02
這篇文章主要介紹了django+js+ajax實現(xiàn)刷新頁面的方法,結(jié)合實例形式分析了django實現(xiàn)ajax刷新頁面功能的具體步驟與相關(guān)操作技巧,需要的朋友可以參考下2017-05-05
今天小編就為大家分享一篇python 實時得到cpu和內(nèi)存的使用情況方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-06-06
這篇文章主要介紹了Python裝飾器詳細(xì)講解,包括裝飾器的功能及實現(xiàn)方法，通過實例代碼給大家介紹的非常詳細(xì)，需要的朋友可以參考下2022-03-03
python 基本數(shù)據(jù)類型占用內(nèi)存空間大小的實例
今天小編就為大家分享一篇python 基本數(shù)據(jù)類型占用內(nèi)存空間大小的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-06-06
今天小編就為大家分享一篇pandas篩選某列出現(xiàn)編碼錯誤的解決方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-11-11