python opencv图像识别_Python OpenCV 图像相识度对比

强大的openCV能做什么我就不啰嗦,你能想到的一切图像+视频处理.

这里,我们说说openCV的图像相似度对比, 嗯,说好听一点那叫图像识别,但严格讲, 图像识别是在一个图片中进行类聚处理,比如图片人脸识别,眼部识别,但相识度对比是指两个或两个以上的图片进行对比相似度.

先来几张图片

(a.png)

(a_cp.png)

(t1.png)

(t2.png)

其中,a_cp.png 是复制a.png,也就是说是同一个图片, t1.png 与t2.png 看起来相同,但都是通过PIL裁剪的图片,可以认为相似但不相同.

我们先通过下面几个方法判断图片是否相同

operator对图片对象进行对比

operator.eq(a,b) 判断a,b 对象是否相同

importoperatorfrom PIL importImage

a=Image.open("a.png")

a_cp=Image.open("a_cp.png")

t1=Image.open("t1.png")

t2=Image.open("t2.png")

c=operator.eq(a,a_cp)

e=operator.eq(t1,t2)print(c)print(e)

打印结果 c为True, e为False

numpy.subtract对图片对象进行对比

importnumpy as npfrom PIL importImage

a= Image.open("a.png")

a_cp= Image.open("a_cp.png")

t1= Image.open("t1.png")

t2= Image.open("t2.png")

difference= np.subtract(a, a_cp) #判断imgv 与v 的差值,存在差值,表示不相同

c = not np.any(difference) #np.any 满足一个1即为真, (图片相同差值为0,np.any为false, not fasle 即为真认为存在相同的图片)

difference=np.subtract(t1, t2)

e= notnp.any(difference)print(c)print(e)

打印结果 c为True, e为False

hashlib.md5对图片对象进行对比

importhashlib

a= open("a.png","rb")

a_cp= open("a_cp.png",'rb')

t1= open("t1.png",'rb')

t2= open("t2.png",'rb')

cmd5=hashlib.md5(a.read()).hexdigest()

ccmd5=hashlib.md5(a_cp.read()).hexdigest()

emd5=hashlib.md5(t1.read()).hexdigest()

eecmd5=hashlib.md5(t2.read()).hexdigest()print(cmd5)if cmd5==ccmd5:print(True)else:print(False)print(emd5)if emd5==eecmd5:print(True)else:print(False)

打印文件md5结果:

928f9df2d83fa5656bbd0f228c8f5f46

True

bff71ccd5d2c85fb0730c2ada678feea

False

由 operator.eq 与 numpy.subtract 和 hashlib.md5 方法发现,这些方法得出的结论,要不相同,要不不相同,世界万物皆如此.

说的好! 你给我的是boolean值,我不要,不要,不......

我们想要的就是得到两个图片的相似值,某些场景,我们需要这样的值, 比如探头监控中的人与真人照片对比,因受到距离, 分辨率,移动速度等影响,相同的人有可能无法准确辨认,在比如,连连看中的小方块,通过PIL裁剪后,相同的图像图片因灰度,尺寸大小不同我们会认为相同的图片以上三个方法就返回False. 因此openCV更适合这种百分比的相似度计算.

之前用过sklearn 的 Linear Regression 做过线性回归的数据预处理计算概率,因数据量小,未做到样本训练,突发奇想,如果openCV能结合sklearn的机器学习,给一堆图片,经过fit样本训练获取图片的各种特征,随便给一张图片,然后便能知道图片来自那个地方,拍摄时间,都有哪些人物...

回来,回来... 我们继续说openCV相识度问题.

一般通过三种哈希算法与灰度直方图算法进行判断

均值哈希算法

#均值哈希算法

defaHash(img):#缩放为8*8

img=cv2.resize(img,(8,8))#转换为灰度图

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#s为像素和初值为0，hash_str为hash值初值为''

s=0

hash_str=''

#遍历累加求像素和

for i in range(8):for j in range(8):

s=s+gray[i,j]#求平均灰度

avg=s/64

#灰度大于平均值为1相反为0生成图片的hash值

for i in range(8):for j in range(8):if gray[i,j]>avg:

hash_str=hash_str+'1'

else:

hash_str=hash_str+'0'

return hash_str

差值哈希算法

defdHash(img):#缩放8*8

img=cv2.resize(img,(9,8))#转换灰度图

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

hash_str=''

#每行前一个像素大于后一个像素为1，相反为0，生成哈希

for i in range(8):for j in range(8):if gray[i,j]>gray[i,j+1]:

hash_str=hash_str+'1'

else:

hash_str=hash_str+'0'

return hash_str

感知哈希算法

defpHash(img):#缩放32*32

img = cv2.resize(img, (32, 32)) #, interpolation=cv2.INTER_CUBIC

#转换为灰度图

gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#将灰度图转为浮点型，再进行dct变换

dct =cv2.dct(np.float32(gray))#opencv实现的掩码操作

dct_roi = dct[0:8, 0:8]

hash=[]

avreage=np.mean(dct_roi)for i inrange(dct_roi.shape[0]):for j in range(dct_roi.shape[1]):if dct_roi[i, j] >avreage:

hash.append(1)else:

hash.append(0)return hash

灰度直方图算法

#计算单通道的直方图的相似值

defcalculate(image1, image2):

hist1= cv2.calcHist([image1], [0], None, [256], [0.0, 255.0])

hist2= cv2.calcHist([image2], [0], None, [256], [0.0, 255.0])#计算直方图的重合度

degree =0for i inrange(len(hist1)):if hist1[i] !=hist2[i]:

degree= degree + (1 - abs(hist1[i] - hist2[i]) /max(hist1[i], hist2[i]))else:

degree= degree + 1degree= degree /len(hist1)return degree

RGB每个通道的直方图计算相似度

def classify_hist_with_split(image1, image2, size=(256, 256)):#将图像resize后，分离为RGB三个通道，再计算每个通道的相似值

image1 =cv2.resize(image1, size)

image2=cv2.resize(image2, size)

sub_image1=cv2.split(image1)

sub_image2=cv2.split(image2)

sub_data=0for im1, im2 inzip(sub_image1, sub_image2):

sub_data+=calculate(im1, im2)

sub_data= sub_data / 3

return sub_data

啥?

我为什么知道这三个哈希算法和通道直方图计算方法,嗯, 我也是从网上查的.

上素材

(x1y2.png)

(x2y4.png)

(x2y6.png)

(t1.png)

(t2.png)

(t3.png)

完整代码:

importcv2importnumpy as np#均值哈希算法

defaHash(img):#缩放为8*8

img = cv2.resize(img, (8, 8))#转换为灰度图

gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#s为像素和初值为0，hash_str为hash值初值为''

s =0

hash_str= ''

#遍历累加求像素和

for i in range(8):for j in range(8):

s= s +gray[i, j]#求平均灰度

avg = s / 64

#灰度大于平均值为1相反为0生成图片的hash值

for i in range(8):for j in range(8):if gray[i, j] >avg:

hash_str= hash_str + '1'

else:

hash_str= hash_str + '0'

returnhash_str#差值感知算法

defdHash(img):#缩放8*8

img = cv2.resize(img, (9, 8))#转换灰度图

gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

hash_str= ''

#每行前一个像素大于后一个像素为1，相反为0，生成哈希

for i in range(8):for j in range(8):if gray[i, j] > gray[i, j + 1]:

hash_str= hash_str + '1'

else:

hash_str= hash_str + '0'

returnhash_str#感知哈希算法(pHash)

defpHash(img):#缩放32*32

img = cv2.resize(img, (32, 32)) #, interpolation=cv2.INTER_CUBIC

#转换为灰度图

gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#将灰度图转为浮点型，再进行dct变换

dct =cv2.dct(np.float32(gray))#opencv实现的掩码操作

dct_roi = dct[0:8, 0:8]

hash=[]

avreage=np.mean(dct_roi)for i inrange(dct_roi.shape[0]):for j in range(dct_roi.shape[1]):if dct_roi[i, j] >avreage:

hash.append(1)else:

hash.append(0)returnhash#通过得到RGB每个通道的直方图来计算相似度

def classify_hist_with_split(image1, image2, size=(256, 256)):#将图像resize后，分离为RGB三个通道，再计算每个通道的相似值

image1 =cv2.resize(image1, size)

image2=cv2.resize(image2, size)

sub_image1=cv2.split(image1)

sub_image2=cv2.split(image2)

sub_data=0for im1, im2 inzip(sub_image1, sub_image2):

sub_data+=calculate(im1, im2)

sub_data= sub_data / 3

returnsub_data#计算单通道的直方图的相似值

defcalculate(image1, image2):

hist1= cv2.calcHist([image1], [0], None, [256], [0.0, 255.0])

hist2= cv2.calcHist([image2], [0], None, [256], [0.0, 255.0])#计算直方图的重合度

degree =0for i inrange(len(hist1)):if hist1[i] !=hist2[i]:

degree= degree + (1 - abs(hist1[i] - hist2[i]) /max(hist1[i], hist2[i]))else:

degree= degree + 1degree= degree /len(hist1)returndegree#Hash值对比

defcmpHash(hash1, hash2):

n=0#hash长度不同则返回-1代表传参出错

if len(hash1)!=len(hash2):return -1

#遍历判断

for i inrange(len(hash1)):#不相等则n计数+1，n最终为相似度

if hash1[i] !=hash2[i]:

n= n + 1

returnn

img1= cv2.imread('openpic/x1y2.png') #11--- 16 ----13 ---- 0.43

img2 = cv2.imread('openpic/x2y4.png')

img1= cv2.imread('openpic/x3y5.png') #10----11 ----8------0.25

img2 = cv2.imread('openpic/x9y1.png')

img1= cv2.imread('openpic/x1y2.png') #6------5 ----2--------0.84

img2 = cv2.imread('openpic/x2y6.png')

img1= cv2.imread('openpic/t1.png') #14------19---10--------0.70

img2 = cv2.imread('openpic/t2.png')

img1= cv2.imread('openpic/t1.png') #39------33---18--------0.58

img2 = cv2.imread('openpic/t3.png')

hash1=aHash(img1)

hash2=aHash(img2)

n=cmpHash(hash1, hash2)print('均值哈希算法相似度：', n)

hash1=dHash(img1)

hash2=dHash(img2)

n=cmpHash(hash1, hash2)print('差值哈希算法相似度：', n)

hash1=pHash(img1)

hash2=pHash(img2)

n=cmpHash(hash1, hash2)print('感知哈希算法相似度：', n)

n=classify_hist_with_split(img1, img2)print('三直方图算法相似度：', n)

参考: