使用opencv实现图片相似度检测

1.为什么学这个,我对图像处理非常感兴趣,我联想到海尔的指纹识别门锁是如何进行检测的,我在想不应该呀,单片机性能这么差,应该是使用了训练后的数据去检测图片的,如果我要实现草莓检测,知道它是不是草莓,我觉得单纯使用图片处理是不够的,我考虑过使用指纹模块来接触草莓从而实现判断他是不是草莓,从而联想到学习图像相似度检测,我们人类的手指事实上是有大量的传感器的,机器如果想要实现那科技含量太高了,而且成本高,就算实现了也只能放在家里自己玩…

2.代码基于python3.1 opencv,先使用直方图判断是否是简单的图形(运算快)如果不是在判断是否是复杂的图形(运算慢)

import cv2
def calculate_complexity_similarity(img1str, img2str):
    # 加载两张图片
    img1 = cv2.imread(img1str)
    img2 = cv2.imread(img2str)

    # 将图片转换为灰度图像
    gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 创建ORB特征检测器
    orb = cv2.ORB_create()

    # 检测特征点和描述符
    kp1, des1 = orb.detectAndCompute(gray_img1, None)
    kp2, des2 = orb.detectAndCompute(gray_img2, None)

    # 创建暴力匹配器
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

    # 进行特征匹配
    matches = bf.match(des1, des2)
    similarity=0.0
    # 根据特征点匹配结果计算相似度
    if len(matches) > 0:
        similarity = sum([match.distance for match in matches]) / len(matches)
        print('图片相似度为：', similarity)
    else:
        print('未找到匹配的特征点')
        # 调用函数进行图片相似度计算,计算简单的图片相似度
    return similarity
def calculate_histogram_similarity(img1_path, img2_path):
    # 读取两张图片
    img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
    img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)

    # 计算直方图
    hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
    hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])

    # 归一化直方图
    cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
    cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)

    # 比较直方图
    similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
    if similarity<0.6:
        similarity=calculate_complexity_similarity(img1str, img2str)

    return similarity


if __name__ == '__main__':
    img1str='straw1.png'
    img2str='straw3.png'

    sim = calculate_histogram_similarity(img1str, img2str)
    print('图片相似度为：', sim)

3.测试效果
//简单的图片使用直方图归一化处理


//不同的图片之间比较

//2和22比较

//2和23无法检测出来,可能是2个2颜色不一样,2和24也一样

//straw1和straw2 这两张是在一张图片的两颗草莓
图片相似度为： 0.8582924959300794
//straw1和straw3,不同图片的草莓

图片相似度为： 69.67826086956522

//与倒立的草莓

图片相似度为： 68.84821428571429

图片相似度为： 73.10416666666667

//带有草莓花的草莓,比较符合实际情况

图片相似度为： 0.7757366241694935

//啊这汽车和草莓是相似的?而且是多个草莓,改了下代码 如果形状都不同了,similarity<0直接返回

3.改进后的代码

import cv2
def calculate_complexity_similarity(img1str, img2str):
    # 加载两张图片
    img1 = cv2.imread(img1str)
    img2 = cv2.imread(img2str)

    # 将图片转换为灰度图像
    gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 创建ORB特征检测器
    orb = cv2.ORB_create()

    # 检测特征点和描述符
    kp1, des1 = orb.detectAndCompute(gray_img1, None)
    kp2, des2 = orb.detectAndCompute(gray_img2, None)

    # 创建暴力匹配器
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

    # 进行特征匹配
    matches = bf.match(des1, des2)
    similarity=0.0
    # 根据特征点匹配结果计算相似度
    if len(matches) > 0:
        similarity = sum([match.distance for match in matches]) / len(matches)
        print('图片相似度为：', similarity)
    else:
        print('未找到匹配的特征点')
        # 调用函数进行图片相似度计算,计算简单的图片相似度
    return similarity
def calculate_histogram_similarity(img1_path, img2_path):
    # 读取两张图片
    img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
    img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)

    # 计算直方图
    hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
    hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])

    # 归一化直方图
    cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
    cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)

    # 比较直方图
    similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
    print(similarity)
     #30%的几率是那应该不是一个东西
    if similarity <0.3:
         return similarity
    if similarity<0.6:
        similarity=calculate_complexity_similarity(img1str, img2str)

    return similarity


if __name__ == '__main__':
    img1str='straw4.png'
    img2str='straw7.png'

    sim = calculate_histogram_similarity(img1str, img2str)
    print('图片相似度为：', sim)

//改进后的结果

//不同的形状的都返回负数
图片相似度为： -0.07563206074940822

4.以后改进的地方,上面的代码可以简单的检测颜色相同形状相同的问题,但是也面临着检测精度的不精确,我们可以录入多个图片如果取相似度最高的一张,当然性能不大好, 识别苹果和草莓达到40%相似率