在網(wǎng)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(jié)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(xiàn)的，感覺比較麻煩，于是利用Opencv庫進行了更簡潔化的實現(xiàn)。

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(qū)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(jīng)過訓練的計算機(即建立模型)，那么計算機很難區(qū)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，

[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(shù)據(jù)，返回的結(jié)果是一個列表，使用matplotlib，畫出了這兩張圖的直方圖數(shù)據(jù)圖 如下：

是的，我們可以明顯的發(fā)現(xiàn)，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(jié)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(nèi)容是一片藍天，而另外一張圖片也是藍色為主，但是內(nèi)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(jīng)過運算后得出的一組二進制數(shù)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(shù)據(jù)為101，另外一組為111，那么顯然把第一組的第二位數(shù)據(jù)0改成1就可以變成第二組數(shù)據(jù)111，所以兩組數(shù)據(jù)的漢明距離就為1

簡單點說，漢明距離就是一組二進制數(shù)據(jù)變成另一組數(shù)據(jù)所需的步驟數(shù)，顯然，這個數(shù)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(xiàn)的

一般步驟：

1.縮放圖片，一般大小為8*8，64個像素值。2.轉(zhuǎn)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(jié)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(zhuǎn)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(zhuǎn)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(xiàn)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(zhuǎn)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(chǎn)生了8個不同的差異，一共8行，則產(chǎn)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(xiàn)如下：

# -*- coding: utf-8 -*- # 利用python實現(xiàn)多種方法來實現(xiàn)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(xiàn) def classify_gray_hist(image1,image2,size = (256,256)): # 先計算直方圖 # 幾個參數(shù)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(zhuǎn)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(xiàn)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Python基于Opencv識別兩張相似圖片的詳細內(nèi)容，更多關于python識別相似圖片的資料請關注好吧啦網(wǎng)其它相關文章！