怎么在Python中使用Opencv識別相似的圖片

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

python主要應用領域有哪些

1、云計算，典型應用OpenStack。2、WEB前端開發，眾多大型網站均為Python開發。3.人工智能應用，基于大數據分析和深度學習而發展出來的人工智能本質上已經無法離開python。4、系統運維工程項目，自動化運維的標配就是python+Django/flask。5、金融理財分析，量化交易，金融分析。6、大數據分析。

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，

[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：

1. 縮小圖片：32 * 32是一個較好的大小，這樣方便DCT計算

2. 轉化為灰度圖

3. 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

4. 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

5. 計算平均值：計算縮小DCT后的所有像素點的平均值。

6. 進一步減小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 -*- 
# 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) 
 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] 
 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)

關于怎么在Python中使用Opencv識別相似的圖片就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。