怎么在Python中使用Opencv識(shí)別相似的圖片

這篇文章給大家介紹怎么在Python中使用Opencv識(shí)別相似的圖片，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

python主要應(yīng)用領(lǐng)域有哪些

1、云計(jì)算，典型應(yīng)用OpenStack。2、WEB前端開發(fā)，眾多大型網(wǎng)站均為Python開發(fā)。3.人工智能應(yīng)用，基于大數(shù)據(jù)分析和深度學(xué)習(xí)而發(fā)展出來的人工智能本質(zhì)上已經(jīng)無法離開python。4、系統(tǒng)運(yùn)維工程項(xiàng)目，自動(dòng)化運(yùn)維的標(biāo)配就是python+Django/flask。5、金融理財(cái)分析，量化交易，金融分析。6、大數(shù)據(jù)分析。

直方圖計(jì)算法

這里先用直方圖進(jìn)行簡單講述。

先借用一下戀花蝶的圖片，

[圖片上傳失敗...(image-6ca66e-1617780875489)]

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(gè)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(jì)算其直方圖的重合程度即可。 計(jì)算方法如下：

其中g(shù)i和si是分別指兩條曲線的第i個(gè)點(diǎn)。

最后計(jì)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(gè)明顯的弱點(diǎn)，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(lán)色為主，內(nèi)容是一片藍(lán)天，而另外一張圖片也是藍(lán)色為主，但是內(nèi)容卻是妹子穿了藍(lán)色裙子，那么這個(gè)算法也很可能認(rèn)為這兩張圖片的相似的。

緩解這個(gè)弱點(diǎn)有一個(gè)方法就是利用Image的crop方法把圖片等分，然后再分別計(jì)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(bǔ)充一些概念。第一個(gè)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(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。

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(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。

如何計(jì)算得到漢明距離，請(qǐng)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(gè)像素與平均值來實(shí)現(xiàn)的

一般步驟：

1.縮放圖片，一般大小為8*8，64個(gè)像素值。
2.轉(zhuǎn)化為灰度圖
3.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。
4.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.
5.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(duì)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(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：

1. 縮小圖片：32 * 32是一個(gè)較好的大小，這樣方便DCT計(jì)算

2. 轉(zhuǎn)化為灰度圖

3. 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

4. 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

5. 計(jì)算平均值：計(jì)算縮小DCT后的所有像素點(diǎn)的平均值。

6. 進(jìn)一步減小DCT：大于平均值記錄為1，反之記錄為0.

7. 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(duì)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(duì)兩張圖片的指紋，獲得漢明距離即可

整個(gè)的代碼實(shí)現(xiàn)如下：

# -*- coding: utf-8 -*- 
# 利用python實(shí)現(xiàn)多種方法來實(shí)現(xiàn)圖像識(shí)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(shí)現(xiàn) 
def classify_gray_hist(image1,image2,size = (256,256)): 
 # 先計(jì)算直方圖 
 # 幾個(gè)參數(shù)必須用方括號(hào)括起來 
 # 這里直接用灰度圖計(jì)算直方圖，所以是使用第一個(gè)通道， 
 # 也可以進(jìn)行通道分離后，得到多個(gè)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(jì)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(jì)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(jì)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(gè)通道的直方圖來計(jì)算相似度 
def classify_hist_with_split(image1,image2,size = (256,256)): 
 # 將圖像resize后，分離為三個(gè)通道，再計(jì)算每個(gè)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(jì)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) 
 hash2 = getHash(gray1) 
 hash3 = getHash(gray2) 
 return Hamming_distance(hash2,hash3) 
 
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(diǎn)型，再進(jìn)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(gè)操作等價(jià)于c++中利用opencv實(shí)現(xiàn)的掩碼操作 
 # 在python中進(jìn)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] 
 hash2 = getHash(dct1_roi) 
 hash3 = getHash(dct2_roi) 
 return Hamming_distance(hash2,hash3) 
 
# 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(jì)算漢明距離 
def Hamming_distance(hash2,hash3): 
 num = 0 
 for index in range(len(hash2)): 
 if hash2[index] != hash3[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)

關(guān)于怎么在Python中使用Opencv識(shí)別相似的圖片就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。