python 比較2張圖片的相似度的方法示例
本文介紹了python 比較2張圖片的相似度的方法示例,分享給大家,具體如下:
#!/usr/bin/python # -*- coding: UTF-8 -*- import cv2 import numpy as np #均值哈希算法 def aHash(img): #縮放為8*8 img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC) #轉(zhuǎn)換為灰度圖 gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #s為像素和初值為0,hash_str為hash值初值為'' s=0 hash_str='' #遍歷累加求像素和 for i in range(8): for j in range(8): s=s+gray[i,j] #求平均灰度 avg=s/64 #灰度大于平均值為1相反為0生成圖片的hash值 for i in range(8): for j in range(8): if gray[i,j]>avg: hash_str=hash_str+'1' else: hash_str=hash_str+'0' return hash_str #差值感知算法 def dHash(img): #縮放8*8 img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC) #轉(zhuǎn)換灰度圖 gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) hash_str='' #每行前一個(gè)像素大于后一個(gè)像素為1,相反為0,生成哈希 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 #Hash值對(duì)比 def cmpHash(hash1,hash2): n=0 #hash長(zhǎng)度不同則返回-1代表傳參出錯(cuò) if len(hash1)!=len(hash2): return -1 #遍歷判斷 for i in range(len(hash1)): #不相等則n計(jì)數(shù)+1,n最終為相似度 if hash1[i]!=hash2[i]: n=n+1 return n img1=cv2.imread('A.png') img2=cv2.imread('B.png') hash1= aHash(img1) hash2= aHash(img2) print(hash1) print(hash2) n=cmpHash(hash1,hash2) print '均值哈希算法相似度:'+ str(n) hash1= dHash(img1) hash2= dHash(img2) print(hash1) print(hash2) n=cmpHash(hash1,hash2) print '差值哈希算法相似度:'+ str(n)
講解
相似圖像搜索的哈希算法有三種:
- 均值哈希算法
- 差值哈希算法
- 感知哈希算法
- 均值哈希算法
步驟
縮放:圖片縮放為8*8,保留結(jié)構(gòu),出去細(xì)節(jié)。
灰度化:轉(zhuǎn)換為256階灰度圖。
求平均值:計(jì)算灰度圖所有像素的平均值。
比較:像素值大于平均值記作1,相反記作0,總共64位。
生成hash:將上述步驟生成的1和0按順序組合起來既是圖片的指紋(hash)。順序不固定。但是比較時(shí)候必須是相同的順序。
對(duì)比指紋:將兩幅圖的指紋對(duì)比,計(jì)算漢明距離,即兩個(gè)64位的hash值有多少位是不一樣的,不相同位數(shù)越少,圖片越相似。
代碼實(shí)現(xiàn):
#均值哈希算法 def aHash(img): #縮放為8*8 img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC) #轉(zhuǎn)換為灰度圖 gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #s為像素和初值為0,hash_str為hash值初值為'' s=0 hash_str='' #遍歷累加求像素和 for i in range(8): for j in range(8): s=s+gray[i,j] #求平均灰度 avg=s/64 #灰度大于平均值為1相反為0生成圖片的hash值 for i in range(8): for j in range(8): if gray[i,j]>avg: hash_str=hash_str+'1' else: hash_str=hash_str+'0' return hash_str
差值哈希算法
差值哈希算法前期和后期基本相同,只有中間比較hash有變化。
步驟
1. 縮放:圖片縮放為8*9,保留結(jié)構(gòu),出去細(xì)節(jié)。
2. 灰度化:轉(zhuǎn)換為256階灰度圖。
3. 求平均值:計(jì)算灰度圖所有像素的平均值。
4. 比較:像素值大于后一個(gè)像素值記作1,相反記作0。本行不與下一行對(duì)比,每行9個(gè)像素,八個(gè)差值,有8行,總共64位
5. 生成hash:將上述步驟生成的1和0按順序組合起來既是圖片的指紋(hash)。順序不固定。但是比較時(shí)候必須是相同的順序。
6. 對(duì)比指紋:將兩幅圖的指紋對(duì)比,計(jì)算漢明距離,即兩個(gè)64位的hash值有多少位是不一樣的,不相同位數(shù)越少,圖片越相似。
#差值感知算法 def dHash(img): #縮放8*8 img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC) #轉(zhuǎn)換灰度圖 gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) hash_str='' #每行前一個(gè)像素大于后一個(gè)像素為1,相反為0,生成哈希 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
感知哈希算法
感知哈希算法可以參考
相似性︱python+opencv實(shí)現(xiàn)pHash算法+hamming距離(simhash)(三)
講的很詳細(xì)了。
Hash值對(duì)比
由于返回值為str字符串,所以直接遍歷字符串進(jìn)行比對(duì)。
#Hash值對(duì)比 def cmpHash(hash1,hash2): n=0 #hash長(zhǎng)度不同則返回-1代表傳參出錯(cuò) if len(hash1)!=len(hash2): return -1 #遍歷判斷 for i in range(len(hash1)): #不相等則n計(jì)數(shù)+1,n最終為相似度 if hash1[i]!=hash2[i]: n=n+1 return n
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python人工智能深度學(xué)習(xí)模型訓(xùn)練經(jīng)驗(yàn)總結(jié)
這篇文章主要為大家介紹了Python人工智能深度學(xué)習(xí)模型訓(xùn)練的經(jīng)驗(yàn)總結(jié)及建議,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步2021-11-11pandas 使用apply同時(shí)處理兩列數(shù)據(jù)的方法
下面小編就為大家分享一篇pandas 使用apply同時(shí)處理兩列數(shù)據(jù)的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-04-04使用Python玩轉(zhuǎn)串口(基于pySerial問題)
這篇文章主要介紹了使用Python玩轉(zhuǎn)串口(基于pySerial問題),具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-09-09使用Python進(jìn)行情感分析并可視化展示結(jié)果
情感分析是一種通過自然語言處理技術(shù)來識(shí)別、提取和量化文本中的情感傾向的方法,Python在這一領(lǐng)域有著豐富的庫和工具,本文將介紹如何使用Python進(jìn)行情感分析,并通過可視化展示結(jié)果,需要的朋友可以參考下2024-05-05