CV之Hog+HamMingDistance：基于Hog提取和漢明距離對比的應用—圖像相似度對比之for循環將多個成對圖片依次對比并輸出相似度

?

?

目錄

測試數據集

核心代碼

---

相關文章

ML之相似度計算：圖像數據、字符串數據等計算相似度常用的十種方法簡介、代碼實現
ML之Hash_EditDistance&Hash_HammingDistance&Hog_HanMing&Cosin&SSIM：基于輸入圖片利用多種算法進行判別
CV之Hog+HamMingDistance：基于Hog提取和漢明距離對比的應用—圖像相似度對比之for循環將多個成對圖片依次對比并輸出相似度
ML之Hash_EditDistance：基于輸入圖片哈希化(均值哈希+差值哈希)即8*8個元素的單向vector利用編輯距離算法進行判別
ML之Hash_HamMingDistance：基于輸入圖片哈希化(均值哈希+差值哈希)即8*8個元素的單向vector利用漢明距離算法進行判別
ML之Hog_HammingDistance：基于Hog特征提取“RGB”圖像的768個值的單向vector利用漢明距離算法進行判別
ML之Cosin：基于輸入圖片RGB均值化轉為單向vector利用Cosin(余弦相似度)算法進行判別
ML之SSIM：基于輸入圖片RGB的三維向量利用SSIM(結構相似性度量)算法進行判別

?

測試數據集

算法原理：基于Hog的圖像檢測+計算圖像相似度(Sim+漢明距離)

?

核心代碼

相關文章：CV之Hog+HanMing：基于Hog提取和漢明距離對比的應用—圖像相似度對比之for循環將多個成對圖片依次對比并輸出相似度

def calc_similar(li, ri): res=hist_similar(li.histogram(), ri.histogram())*100return sum(hist_similar(l.histogram(), r.histogram()) for l, r in zip(split_image(li), split_image(ri))) / 16.0def calc_similar_by_path(lf, rf):li, ri = make_regalur_image(Image.open(lf)), make_regalur_image(Image.open(rf))return calc_similar(li, ri)def make_doc_data(lf, rf):li, ri = make_regalur_image(Image.open(lf)), make_regalur_image(Image.open(rf))li.save(lf + '_regalur.png')ri.save(rf + '_regalur.png')fd = open('stat.csv', 'w')fd.write('\n'.join(l + ',' + r for l, r in zip(map(str, li.histogram()), map(str, ri.histogram())))) # print >>fd, '\n'fd.write(','.join(map(str, ri.histogram())))fd.close()li = li.convert('RGB')draw = ImageDraw.Draw(li)for i in range(0, 256, 64):draw.line((0, i, 256, i), fill = '#ff0000')draw.line((i, 0, i, 256), fill = '#ff0000')li.save(lf + '_lines.png')

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的CV之Hog+HamMingDistance：基于Hog提取和汉明距离对比的应用—图像相似度对比之for循环将多个成对图片依次对比并输出相似度的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。