背景

        在做图像处理或者计算机视觉相关的项目的时候，很多时候需要我们对当前获得的图像和上一次的图像做相似性比对，从而找出当前图像针对上一次的图像的差异性和变化点，这需要用到OpenCV中的一些图像相似性和差异性的比对算法，在OpenCV-Python库中，有几种可以用来比较两幅图片差异的算法，以下是其中一些常用的算法：结构相似性指数，均方误差，峰值信噪比，结构相似性指数加权直方图。

环境

win10  64位企业版系统

python版本：3.6.8 （x64）

opencv版本：3.4.2.16

IDE：pycharm2017(Ananconda  3.5.2)

特别说明：不同的OpenCV-Python库的版本，每种算法的名称会有一定的差别。

算法

结构相似性指数（Structural Similarity Index, SSIM）

        SSIM算法通过比较两幅图片的亮度、对比度和结构信息来评估它们的相似性。在OpenCV中，可以使用cv2.SIFT_create()函数来计算两幅图片的SSIM指数。

代码示例：

import cv2
import numpy as np

def ssim(img1, img2):
    # 将图像转换为灰度图像
    gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 计算图像的均值和方差
    mean1, mean2 = np.mean(gray_img1), np.mean(gray_img2)
    var1, var2 = np.var(gray_img1), np.var(gray_img2)

    # 计算协方差和SSIM指数
    cov = np.cov(gray_img1.flatten(), gray_img2.flatten())[0, 1]
    c1 = (0.01 * 255) ** 2
    c2 = (0.03 * 255) ** 2
    ssim = (2 * mean1 * mean2 + c1) * (2 * cov + c2) / ((mean1 ** 2 + mean2 ** 2 + c1) * (var1 + var2 + c2))

    return ssim

# 读取两幅图像
image1 = cv2.imread('0.jpg')
image2 = cv2.imread('1.jpg')

# 计算两幅图像的SSIM指数
ssim_index = ssim(image1, image2)

# 打印SSIM指数
print("SSIM Index:", ssim_index)

输入两幅“0.jpg”和“1.jpg”的图像，运行即可以得到比对的结果：

在高版本的OpenCV中，自带了创建SSIM对象的函数，可以直接调用： 

import cv2

# 读取两幅图像
image1 = cv2.imread('image1.png')
image2 = cv2.imread('image2.png')

# 将图像转换为灰度图像
gray_image1 = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
gray_image2 = cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)

# 创建SSIM对象
ssim = cv2.SIFT_create()

# 计算两幅图像的SSIM指数
ssim_index = ssim.compare(gray_image1, gray_image2)

# 打印SSIM指数
print("SSIM Index:", ssim_index)

在上述代码中，首先使用cv2.imread()函数读取两幅图像。然后，使用cv2.cvtColor()函数将图像转换为灰度图像，因为SSIM算法只适用于灰度图像。接下来，创建SSIM对象，并使用其compare()方法计算两幅图像的SSIM指数。最后，打印SSIM指数。

请注意，cv2.SIFT_create()函数在该示例中用于创建SSIM对象，但它实际上是用于创建尺度不变特征变换（Scale-Invariant Feature Transform, SIFT）对象的函数。在OpenCV-Python库中，SIFT对象也可以用于计算SSIM指数。

均方误差（Mean Squared Error, MSE）

        MSE算法计算两幅图片每个像素之间的差异，并计算它们的平均值。MSE值越小，表示两幅图片越相似。在OpenCV中，可以使用cv2.absdiff()和cv2.mean()函数来计算两幅图片的MSE值。

import cv2
import numpy as np

def mse(img1, img2):
    # 计算两个图像的差异
    diff = cv2.absdiff(img1, img2)
    diff_squared = diff ** 2

    # 计算均方误差
    mse = np.mean(diff_squared)

    return mse

# 读取两幅图像
image1 = cv2.imread('0.jpg')
image2 = cv2.imread('1.jpg')

# 调整图像的大小，使其具有相同的尺寸
image1 = cv2.resize(image1, (image2.shape[1], image2.shape[0]))

# 计算两幅图像的均方误差
mse_value = mse(image1, image2)

# 打印均方误差
print("MSE:", mse_value)

 

        在上述代码中，mse()函数计算了两幅图像的均方误差。首先，使用cv2.absdiff()函数计算两个图像之间的差异，并将差异值的平方存储在diff_squared中。然后，使用np.mean()函数计算差异平方的平均值，得到均方误差。最后，返回均方误差值。

请注意，在比较两个图像之前，我们还调整了它们的大小，以确保它们具有相同的尺寸。这是因为均方误差是基于像素级别的比较，需要确保两幅图像具有相同的大小。

峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）

        PSNR算法通过计算两幅图片的MSE值，并将其转换为对数尺度，来评估它们的相似性。PSNR值越大，表示两幅图片越相似。在OpenCV中，可以使用cv2.PSNR()函数来计算两幅图片的PSNR值。

import cv2
import numpy as np

def psnr(img1, img2):
    # 计算两个图像的均方误差
    mse = np.mean((img1 - img2) ** 2)

    # 计算峰值信噪比
    psnr = 10 * np.log10((255 ** 2) / mse)

    return psnr

# 读取两幅图像
image1 = cv2.imread('0.jpg')
image2 = cv2.imread('1.jpg')

# 调整图像的大小，使其具有相同的尺寸
image1 = cv2.resize(image1, (image2.shape[1], image2.shape[0]))

# 将图像转换为浮点数类型
image1 = image1.astype(np.float64)
image2 = image2.astype(np.float64)

# 计算两幅图像的峰值信噪比
psnr_value = psnr(image1, image2)

# 打印峰值信噪比
print("PSNR:", psnr_value)

        在上述代码中，psnr()函数计算了两幅图像的峰值信噪比。首先，计算两个图像之间的均方误差（MSE），即差异的平方的平均值。然后，使用np.log10()函数计算峰值信噪比，其中255是像素值的最大值。最后，返回峰值信噪比值。请注意，为了计算峰值信噪比，我们将图像的数据类型转换为浮点数类型，以避免溢出。这是因为峰值信噪比是基于像素级别的比较，需要进行数值计算。

结构相似性指数加权直方图（Structural Similarity Index Weighted Histogram, SSIM-WH）

        SSIM-WH算法通过将SSIM指数和直方图相似性组合起来，来评估两幅图片的相似性。在OpenCV中，可以使用cv2.compareHist()函数来计算两幅图片的直方图相似性。

import cv2

def compare_hist(img1, img2):
    # 将图像转换为HSV颜色空间
    img1_hsv = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV)
    img2_hsv = cv2.cvtColor(img2, cv2.COLOR_BGR2HSV)

    # 计算图像的直方图
    hist1 = cv2.calcHist([img1_hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
    hist2 = cv2.calcHist([img2_hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])

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

    # 计算直方图相似性
    similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)

    return similarity

# 读取两幅图像
image1 = cv2.imread('0.jpg')
image2 = cv2.imread('1.jpg')

# 调整图像的大小，使其具有相同的尺寸
image1 = cv2.resize(image1, (image2.shape[1], image2.shape[0]))

# 计算两幅图像的相似性
similarity = compare_hist(image1, image2)

# 打印相似性度量值
print("Similarity:", similarity)

        在上述代码中，compare_hist()函数比较了两幅图像的相似性。首先，将图像转换为HSV颜色空间。然后，使用cv2.calcHist()函数计算图像的直方图。这里使用了2D直方图，其中通道0和1表示H（色调）和S（饱和度）通道。接下来，使用cv2.normalize()函数对直方图进行归一化处理，以便进行比较。最后，使用cv2.compareHist()函数计算直方图之间的相似性度量。cv2.HISTCMP_CORREL参数表示使用相关性作为相似性度量。返回的相似性度量值越接近1，表示两幅图像越相似。请注意，这只是一种比较图像相似性的方法之一。根据具体的需求，可能需要使用其他方法来比较图像的相似性