欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python+Opencv識別兩張相似圖片

 更新時間:2020年03月23日 15:28:55   作者:以后以后  
python的功能實在太強大,這篇文章主要介紹了Python+Opencv識別兩張相似圖片的相關(guān)資料,文中利用Opencv庫進行了更簡潔化的實現(xiàn),感興趣的小伙伴們可以參考一下

在網(wǎng)上看到python做圖像識別的相關(guān)文章后,真心感覺python的功能實在太強大,因此將這些文章總結(jié)一下,建立一下自己的知識體系。
當(dāng)然了,圖像識別這個話題作為計算機科學(xué)的一個分支,不可能就在本文簡單幾句就說清,所以本文只作基本算法的科普向。
看到一篇博客是介紹這個,但他用的是PIL中的Image實現(xiàn)的,感覺比較麻煩,于是利用Opencv庫進行了更簡潔化的實現(xiàn)。
相關(guān)背景
要識別兩張相似圖像,我們從感性上來談是怎么樣的一個過程?首先我們會區(qū)分這兩張相片的類型,例如是風(fēng)景照,還是人物照。風(fēng)景照中,是沙漠還是海洋,人物照中,兩個人是不是都是國字臉,還是瓜子臉(還是倒瓜子臉……哈哈……)。

那么從機器的角度來說也是這樣的,先識別圖像的特征,然后再相比。

很顯然,在沒有經(jīng)過訓(xùn)練的計算機(即建立模型),那么計算機很難區(qū)分什么是海洋,什么是沙漠。但是計算機很容易識別到圖像的像素值。

因此,在圖像識別中,顏色特征是最為常用的。(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

直方圖計算法
這里先用直方圖進行簡單講述。

先借用一下戀花蝶的圖片,

從肉眼來看,這兩張圖片大概也有八成是相似的了。
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)果是一個列表,使用matplotlib,畫出了這兩張圖的直方圖數(shù)據(jù)圖
如下:

是的,我們可以明顯的發(fā)現(xiàn),兩張圖片的直方圖還是比較重合的。所以利用直方圖判斷兩張圖片的是否相似的方法就是,計算其直方圖的重合程度即可。
計算方法如下:

其中g(shù)i和si是分別指兩條曲線的第i個點。

最后計算得出的結(jié)果就是就是其相似程度。

不過,這種方法有一個明顯的弱點,就是他是按照顏色的全局分布來看的,無法描述顏色的局部分布和色彩所處的位置。

也就是假如一張圖片以藍色為主,內(nèi)容是一片藍天,而另外一張圖片也是藍色為主,但是內(nèi)容卻是妹子穿了藍色裙子,那么這個算法也很可能認為這兩張圖片的相似的。

緩解這個弱點有一個方法就是利用Image的crop方法把圖片等分,然后再分別計算其相似度,最后綜合考慮。

圖像指紋與漢明距離
在介紹下面其他判別相似度的方法前,先補充一些概念。第一個就是圖像指紋

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

說到這里,就可以順帶引出漢明距離的概念了。

假如一組二進制數(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

簡單點說,漢明距離就是一組二進制數(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。

如何計算得到漢明距離,請看下面三種哈希算法

平均哈希法(aHash)
此算法是基于比較灰度圖每個像素與平均值來實現(xiàn)的

一般步驟:

1.縮放圖片,一般大小為8*8,64個像素值。
2.轉(zhuǎn)化為灰度圖
3.計算平均值:計算進行灰度處理后圖片的所有像素點的平均值,直接用numpy中的mean()計算即可。
4.比較像素灰度值:遍歷灰度圖片每一個像素,如果大于平均值記錄為1,否則為0.
5.得到信息指紋:組合64個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。

感知哈希算法(pHash)
平均哈希算法過于嚴格,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是一個較好的大小,這樣方便DCT計算
轉(zhuǎn)化為灰度圖
計算DCT:利用Opencv中提供的dct()方法,注意輸入的圖像必須是32位浮點型,所以先利用numpy中的float32進行轉(zhuǎn)換
縮小DCT:DCT計算后的矩陣是32 * 32,保留左上角的8 * 8,這些代表的圖片的最低頻率
計算平均值:計算縮小DCT后的所有像素點的平均值。
進一步減小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
轉(zhuǎn)化為灰度圖
計算差異值:dHash算法工作在相鄰像素之間,這樣每行9個像素之間產(chǎn)生了8個不同的差異,一共8行,則產(chǎn)生了64個差異值
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。

整個的代碼實現(xiàn)如下:

# -*- coding: utf-8 -*- 
#feimengjuan 
# 利用python實現(xiàn)多種方法來實現(xiàn)圖像識別 
 
import cv2 
import numpy as np 
from matplotlib import pyplot as plt 
 
# 最簡單的以灰度直方圖作為相似比較的實現(xiàn) 
def classify_gray_hist(image1,image2,size = (256,256)): 
 # 先計算直方圖 
 # 幾個參數(shù)必須用方括號括起來 
 # 這里直接用灰度圖計算直方圖,所以是使用第一個通道, 
 # 也可以進行通道分離后,得到多個通道的直方圖 
 # bins 取為16 
 image1 = cv2.resize(image1,size) 
 image2 = cv2.resize(image2,size) 
 hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,255.0]) 
 hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,255.0]) 
 # 可以比較下直方圖 
 plt.plot(range(256),hist1,'r') 
 plt.plot(range(256),hist2,'b') 
 plt.show() 
 # 計算直方圖的重合度 
 degree = 0 
 for i in range(len(hist1)): 
 if hist1[i] != hist2[i]: 
 degree = degree + (1 - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i])) 
 else: 
 degree = degree + 1 
 degree = degree/len(hist1) 
 return degree 
 
# 計算單通道的直方圖的相似值 
def calculate(image1,image2): 
 hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,255.0]) 
 hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,255.0]) 
 # 計算直方圖的重合度 
 degree = 0 
 for i in range(len(hist1)): 
 if hist1[i] != hist2[i]: 
 degree = degree + (1 - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i])) 
 else: 
 degree = degree + 1 
 degree = degree/len(hist1) 
 return degree 
 
# 通過得到每個通道的直方圖來計算相似度 
def classify_hist_with_split(image1,image2,size = (256,256)): 
 # 將圖像resize后,分離為三個通道,再計算每個通道的相似值 
 image1 = cv2.resize(image1,size) 
 image2 = cv2.resize(image2,size) 
 sub_image1 = cv2.split(image1) 
 sub_image2 = cv2.split(image2) 
 sub_data = 0 
 for im1,im2 in zip(sub_image1,sub_image2): 
 sub_data += calculate(im1,im2) 
 sub_data = sub_data/3 
 return sub_data 
 
# 平均哈希算法計算 
def classify_aHash(image1,image2): 
 image1 = cv2.resize(image1,(8,8)) 
 image2 = cv2.resize(image2,(8,8)) 
 gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) 
 gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY) 
 hash1 = getHash(gray1) 
 hash2 = getHash(gray2) 
 return Hamming_distance(hash1,hash2) 
 
def classify_pHash(image1,image2): 
 image1 = cv2.resize(image1,(32,32)) 
 image2 = cv2.resize(image2,(32,32)) 
 gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) 
 gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY) 
 # 將灰度圖轉(zhuǎn)為浮點型,再進行dct變換 
 dct1 = cv2.dct(np.float32(gray1)) 
 dct2 = cv2.dct(np.float32(gray2)) 
 # 取左上角的8*8,這些代表圖片的最低頻率 
 # 這個操作等價于c++中利用opencv實現(xiàn)的掩碼操作 
 # 在python中進行掩碼操作,可以直接這樣取出圖像矩陣的某一部分 
 dct1_roi = dct1[0:8,0:8] 
 dct2_roi = dct2[0:8,0:8] 
 hash1 = getHash(dct1_roi) 
 hash2 = getHash(dct2_roi) 
 return Hamming_distance(hash1,hash2) 
 
# 輸入灰度圖,返回hash 
def getHash(image): 
 avreage = np.mean(image) 
 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 
 
 
if __name__ == '__main__': 
 img1 = cv2.imread('10.jpg') 
 cv2.imshow('img1',img1) 
 img2 = cv2.imread('11.jpg') 
 cv2.imshow('img2',img2) 
 degree = classify_gray_hist(img1,img2) 
 #degree = classify_hist_with_split(img1,img2) 
 #degree = classify_aHash(img1,img2) 
 #degree = classify_pHash(img1,img2) 
 print degree 
 cv2.waitKey(0) 

更多圖片識別精彩內(nèi)容請點擊專題: 《python圖片處理操作》

以上就是本文的全部內(nèi)容,希望對大家學(xué)習(xí)python程序設(shè)計有所幫助。

相關(guān)文章

  • Python的字符串示例講解

    Python的字符串示例講解

    本文重點講解字符串的創(chuàng)建,字符串的定義和字符串的常見操作,對Python的字符串不熟悉的同學(xué)隨小編一起學(xué)習(xí)吧!
    2021-04-04
  • Python中特殊函數(shù)集錦

    Python中特殊函數(shù)集錦

    這篇文章主要介紹了Python中特殊函數(shù),主要介紹一下四個函數(shù):1 過濾函數(shù)filter 2 映射和歸并函數(shù)map/reduce 3 裝飾器@ 4 匿名函數(shù)lamda,需要的朋友可以參考下
    2015-07-07
  • Flask之pipenv虛擬環(huán)境的實現(xiàn)

    Flask之pipenv虛擬環(huán)境的實現(xiàn)

    這篇文章主要介紹了Flask之pipenv虛擬環(huán)境的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-11-11
  • python實現(xiàn)微信機器人: 登錄微信、消息接收、自動回復(fù)功能

    python實現(xiàn)微信機器人: 登錄微信、消息接收、自動回復(fù)功能

    這篇文章主要介紹了python實現(xiàn)微信機器人: 登錄微信、消息接收、自動回復(fù)功能,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-04-04
  • Python中的for循環(huán)詳情

    Python中的for循環(huán)詳情

    這篇文章主要介紹了Python中的for循環(huán),for語句實際上解決的是循環(huán)問題。在很多的高級語言中都有for循環(huán)(for loop)。下面就來簡單給大家介紹Python中的for循環(huán)的相關(guān)資料,需要的朋友可以參考一下
    2021-10-10
  • 詳解django中url路由配置及渲染方式

    詳解django中url路由配置及渲染方式

    這篇文章主要介紹了詳解django中url路由配置及渲染方式,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2019-02-02
  • python3.4下django集成使用xadmin后臺的方法

    python3.4下django集成使用xadmin后臺的方法

    本篇文章主要介紹了python3.4下django集成使用xadmin后臺的方法,具有一定的參加價值,有興趣的可以了解一下
    2017-08-08
  • Pytorch 的 LSTM 模型的示例教程

    Pytorch 的 LSTM 模型的示例教程

    本文給大家介紹了Pytorch 的 LSTM 模型的示例教程,文中結(jié)合實例代碼給大家介紹的非常詳細,對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友參考下吧
    2023-06-06
  • python web框架中實現(xiàn)原生分頁

    python web框架中實現(xiàn)原生分頁

    這篇文章主要為大家詳細介紹了python web框架中使用原生分頁的方法,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2019-09-09
  • python Cartopy的基礎(chǔ)使用詳解

    python Cartopy的基礎(chǔ)使用詳解

    這篇文章主要介紹了python Cartopy的基礎(chǔ)使用詳解,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-11-11

最新評論