计算两幅图像的相似度总结
1. SSIM（结构相似性度量）
这是一种全参考的图像质量评价指标，分别从亮度、对比度、结构三个方面度量图像相似性。
SSIM取值范围[0, 1]，值越大，表示图像失真越小。
在实际应用中，可以利用滑动窗将图像分块，令分块总数为N，考虑到窗口形状对分块的影响，采用高斯加权计算每一窗口的均值、方差以及协方差，然后计算对应块的结构相似度SSIM，最后将平均值作为两图像的结构相似性度量，即平均结构相似性SSIM。
-
from skimage.measure
import compare_ssim
-
from scipy.misc
import imread
-
import numpy
as np
-
-
img1 = imread(
'1.jpg')
-
img2 = imread(
'2.jpg')
-
-
img2 = np.resize(img2, (img1.shape[
0], img1.shape[
1], img1.shape[
2]))
-
-
print(img2.shape)
-
print(img1.shape)
-
ssim = compare_ssim(img1, img2, multichannel=
True)
-
-
print(ssim)
计算出来SSIM为0.343769017234
该方法通常用来衡量一张图片压缩后的失真度，比较少的用来计算两图的相似度。
2. cosin相似度（余弦相似度）
把图片表示成一个向量，通过计算向量之间的余弦距离来表征两张图片的相似度。
-
from PIL
import Image
-
from numpy
import average, linalg, dot
-
-
-
def get_thumbnail(image, size=(1200, 750), greyscale=False):
-
image = image.resize(size, Image.ANTIALIAS)
-
if greyscale:
-
image = image.convert(
'L')
-
return image
-
-
-
def image_similarity_vectors_via_numpy(image1, image2):
-
-
image1 = get_thumbnail(image1)
-
image2 = get_thumbnail(image2)
-
images = [image1, image2]
-
vectors = []
-
norms = []
-
for image
in images:
-
vector = []
-
for pixel_tuple
in image.getdata():
-
vector.append(average(pixel_tuple))
-
vectors.append(vector)
-
norms.append(linalg.norm(vector,
2))
-
a, b = vectors
-
a_norm, b_norm = norms
-
res = dot(a / a_norm, b / b_norm)
-
return res
-
-
-
image1 = Image.open(
'1.jpg')
-
image2 = Image.open(
'2.jpg')
-
cosin = image_similarity_vectors_via_numpy(image1, image2)
-
-
print(cosin)
计算出来cosin相似度为0.911241243612
该方法运算量较大，速度明显比ssim方法慢，但是只管感受结果比ssim靠谱。
3. 基于直方图
直方图能够描述一幅图像中颜色的全局分布，是一种入门级的图像相似度计算方法。
-
from PIL
import Image
-
-
def make_regalur_image(img, size = (256, 256)):
-
return img.resize(size).convert(
'RGB')
-
-
-
def hist_similar(lh, rh):
-
assert len(lh) == len(rh)
-
return sum(
1 - (
0
if l == r
else float(abs(l - r))/max(l, r))
for l, r
in zip(lh, rh))/len(lh)
-
-
-
def calc_similar(li, ri):
-
return hist_similar(li.histogram(), ri.histogram())
-
-
-
if __name__ ==
'__main__':
-
img1 = Image.open(
'1.jpg')
-
img1 = make_regalur_image(img1)
-
img2 = Image.open(
'2.jpg')
-
img2 = make_regalur_image(img2)
-
print(calc_similar(img1, img2))
计算出来的直方图相似度为0.490183408809
直方图过于简单，只能捕捉颜色信息的相似性，捕捉不到更多的信息。只要颜色分布相似，就会判定二者相似度较高，显然不合理。
4. 基于互信息（Mutual Information）
通过计算两个图片的互信息来表征他们之间的相似度。
-
from sklearn
import metrics
as mr
-
from scipy.misc
import imread
-
import numpy
as np
-
-
img1 = imread(
'1.jpg')
-
img2 = imread(
'2.jpg')
-
-
img2 = np.resize(img2, (img1.shape[
0], img1.shape[
1], img1.shape[
2]))
-
-
img1 = np.reshape(img1,
-1)
-
img2 = np.reshape(img2,
-1)
-
print(img2.shape)
-
print(img1.shape)
-
mutual_infor = mr.mutual_info_score(img1, img2)
-
-
print(mutual_infor)
如果两张图片尺寸相同，还是能在一定程度上表征两张图片的相似性的。但是，大部分情况下图片的尺寸不相同，如果把两张图片尺寸调成相同的话，又会让原来很多的信息丢失，所以很难把握。经过实际验证，此种方法的确很难把握。
5. 计算图像的“指纹信息”
将图像归一化成一定大小，计算 一个序列作为他的指纹信息，然后比较两张图片指纹信息序列相同的位数。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。