Python+Opencv識別兩張相似圖片

在網上看到python做圖像識別的相關文章后，真心感覺python的功能實在太強大，因此將這些文章總結一下，建立一下自己的知識體系。

當然了，圖像識別這個話題作為計算機科學的一個分支，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實現的，感覺比較麻煩，于是利用Opencv庫進行了更簡潔化的實現。

相關背景

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？首先我們會區分這兩張相片的類型，例如是風景照，還是人物照。風景照中，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，在沒有經過訓練的計算機(即建立模型)，那么計算機很難區分什么是海洋，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、形狀特征和空間關系特征等)

其中又分為

直方圖

顏色集

顏色矩

聚合向量

相關圖

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據，返回的結果是一個列表，使用matplotlib，畫出了這兩張圖的直方圖數據圖

如下：

是的，我們可以明顯的發現，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gi和si是分別指兩條曲線的第i個點。

最后計算得出的結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，內容是一片藍天，而另外一張圖片也是藍色為主，但是內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，經過運算后得出的一組二進制數字。

說到這里，就可以順帶引出漢明距離的概念了。

假如一組二進制數據為101，另外一組為111，那么顯然把第一組的第二位數據0改成1就可以變成第二組數據111，所以兩組數據的漢明距離就為1

簡單點說，漢明距離就是一組二進制數據變成另一組數據所需的步驟數，顯然，這個數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的

一般步驟：

1.縮放圖片，一般大小為8*8，64個像素值。

2.轉化為灰度圖

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個像素之間產生了8個不同的差異，一共8行，則產生了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。

整個的代碼實現如下：

# -*- coding: utf-8 -*-

#feimengjuan

# 利用python實現多種方法來實現圖像識別

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

def classify_gray_hist(image1,image2,size = (256,256)):

# 先計算直方圖

# 幾個參數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)

以上就是本文的全部內容，希望對大家學習python程序設計有所幫助。

完 謝謝觀看

總結

以上是生活随笔為你收集整理的python相似图片识别_Python+Opencv识别两张相似图片的全部內容，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。