C#結合OpenCVSharp4實現(xiàn)圖片相似度識別

更新時間：2023年09月10日 09:36:50 作者：宣君

這篇文章主要為大家詳細介紹了C#如何結合OpenCVSharp4實現(xiàn)圖片相似度識別,文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起了解一下

OpenCVSharp4圖片相似度識別

需求背景：需要計算兩個圖片的相似度，然后將相似的圖片進行歸納

1. 圖片相似度算法

由于我是CRUD后端仔，對圖像處理沒什么概念。因此網(wǎng)上調研了幾種相似度算法分析其適用場景。

直方圖算法

獲取要比較的2個圖片的直方圖數(shù)據(jù)，然后再將直方圖數(shù)據(jù)歸一化比較，最終得到一個相似指數(shù)，通過設定相似指數(shù)的邊界，以此判斷是否相同圖片。

平均值哈希算法 aHash

轉灰度壓縮之后計算均值，最終通過像素比較得出哈希值，速度很快，但敏感度很高，稍有變化就會極大影響判定結果，精準度較差。因此比較適用于縮略圖比較，最常用的就是以圖搜圖

感知哈希算法 pHash

在均值哈希基礎上加入DCT（離散余弦變化），兩次DCT就可以很好的將圖像按照頻度分開，取左上角高能低頻信息做均值哈希，因此，精確度很高，但是速度方面較差一些。相比較aHash，pHash更加適合用于縮略圖比較，也非常適合比較兩個近似圖片是否相等。

差異值哈希算法 dHash

灰度壓縮之后，比較相鄰像素之間差異。假設有10×10的圖像，每行10個像素，就會產(chǎn)生9個差異值，一共10行，就一共有9×10=90個差異值。最終生成哈希值即指紋。速度上來說，介于aHash和pHash之間，精準度同樣也介于aHash和pHash之間。

結構相似性算法 SSIM

SSIM(structural similarity)，結構相似性，是一種衡量兩幅圖像相似度的指標。SSIM算法主要用于檢測兩張相同尺寸的圖像的相似度、或者檢測圖像的失真程度。原論文中，SSIM算法主要通過分別比較兩個圖像的亮度，對比度，結構，然后對這三個要素加權并用乘積表示。

SSIM算法在設計上考慮了人眼的視覺特性,它能夠考慮到圖像的結構信息在人的感知上的模糊變化，該模型還引入了一些與感知上的變化有關的感知現(xiàn)象，包含亮度mask和對比mask，結構信息指的是像素之間有著內部的依賴性，尤其是空間上靠近的像素點。這些依賴性攜帶著目標對象視覺感知上的重要信息。

經(jīng)過調研對比，這里就選擇SSIM算法。

2. 下載OpenCVSharp4

通過NuGet包管理器進行下載。搜索OpenCVSharp4下載。

請注意其描述信息：OpenCV wrapper for .NET. Since this package includes only core managed libraries, another package of native bindings for your OS is required (OpenCvSharp4.runtime.*).

這是說：OpenCV 包只是一個核心庫，如需在你的系統(tǒng)上使用，還需要對應的運行時包，這里是Windows系統(tǒng)，因此還需下載 OpenCvSharp4.runtime.win

3. 使用

在項目中引入OpenCvSharp

using OpenCvSharp;

由于OpenCVSharp4沒有直接提供封裝SSIM算法的接口，因此需要自行寫這部分代碼。完整代碼如下

public Scalar Compare_SSIM(string imgFile1, string imgFile2)
        {
            var image1 = Cv2.ImRead(imgFile1);
            var image2Tmp = Cv2.ImRead(imgFile2);
            // 將兩個圖片處理成同樣大小，否則會有錯誤： The operation is neither 'array op array' (where arrays have the same size and the same number of channels), nor 'array op scalar', nor 'scalar op array'
            var image2 = new Mat();
            Cv2.Resize(image2Tmp, image2, new OpenCvSharp.Size(image1.Size().Width, image1.Size().Height));
            double C1 = 6.5025, C2 = 58.5225;
            var validImage1 = new Mat();
            var validImage2 = new Mat();
            image1.ConvertTo(validImage1, MatType.CV_32F); //數(shù)據(jù)類型轉換為 float,防止后續(xù)計算出現(xiàn)錯誤
            image2.ConvertTo(validImage2, MatType.CV_32F);
            Mat image1_1 = validImage1.Mul(validImage1); //圖像乘積
            Mat image2_2 = validImage2.Mul(validImage2);
            Mat image1_2 = validImage1.Mul(validImage2);
            Mat gausBlur1 = new Mat(), gausBlur2 = new Mat(), gausBlur12 = new Mat();
            Cv2.GaussianBlur(validImage1, gausBlur1, new OpenCvSharp.Size(11, 11), 1.5); //高斯卷積核計算圖像均值
            Cv2.GaussianBlur(validImage2, gausBlur2, new OpenCvSharp.Size(11, 11), 1.5);
            Cv2.GaussianBlur(image1_2, gausBlur12, new OpenCvSharp.Size(11, 11), 1.5);
            Mat imageAvgProduct = gausBlur1.Mul(gausBlur2); //均值乘積
            Mat u1Squre = gausBlur1.Mul(gausBlur1); //各自均值的平方
            Mat u2Squre = gausBlur2.Mul(gausBlur2);
            Mat imageConvariance = new Mat(), imageVariance1 = new Mat(), imageVariance2 = new Mat();
            Mat squreAvg1 = new Mat(), squreAvg2 = new Mat();
            Cv2.GaussianBlur(image1_1, squreAvg1, new OpenCvSharp.Size(11, 11), 1.5); //圖像平方的均值
            Cv2.GaussianBlur(image2_2, squreAvg2, new OpenCvSharp.Size(11, 11), 1.5);
            imageConvariance = gausBlur12 - gausBlur1.Mul(gausBlur2);// 計算協(xié)方差
            imageVariance1 = squreAvg1 - gausBlur1.Mul(gausBlur1); //計算方差
            imageVariance2 = squreAvg2 - gausBlur2.Mul(gausBlur2);
            var member = ((2 * gausBlur1.Mul(gausBlur2) + C1).Mul(2 * imageConvariance + C2));
            var denominator = ((u1Squre + u2Squre + C1).Mul(imageVariance1 + imageVariance2 + C2));
            Mat ssim = new Mat();
            Cv2.Divide(member, denominator, ssim);
            var sclar = Cv2.Mean(ssim);
            return sclar;  // 變化率，即差異
        }

實際檢測效果如下