OpenCV图像相似性比对算法

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()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

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/224628.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

C练习题13

单项选择题(本大题共20小题,每小题2分,共40分。在每小题给出的四个备选项中,选出一个正确的答案,并将所选项前的字母填写在答题纸的相应位置上。) 1.结构化程序由三种基本结构组成、三种基本结构组成的算法是() A.可以完成任何复杂的任务 B. 只能完成部分复杂的任务 C. 只能完…

打破常规思维:Scrapy处理豆瓣视频下载的方式

概述 Scrapy是一个强大的Python爬虫框架,它可以帮助我们快速地开发和部署各种类型的爬虫项目。Scrapy提供了许多方便的功能,例如请求调度、数据提取、数据存储、中间件、管道、信号等,让我们可以专注于业务逻辑,而不用担心底层的…

TrustZone之物理地址空间

除了两个安全状态外,该体系结构还提供了两个物理地址空间:安全和非安全。 在非安全状态下,虚拟地址始终转换为非安全物理地址。这意味着在非安全状态下的软件只能看到非安全资源,但永远看不到安全资源。如图所示: 在安…

大数据Doris(三十三):Doris高级设置

文章目录 Doris高级设置 一、增大内存

准确!!!在 CentOS 8 上配置 PostgreSQL 14 的主从复制

在 CentOS 8 上配置 PostgreSQL 14 的主从复制,并设置 WAL 归档到特定路径 /home/postgres/archive 的步骤如下: 主服务器配置(主机) 配置 PostgreSQL: 编辑 postgresql.conf 文件: vim /data/postgres/p…

Java二阶知识点总结(一)Maven

一、Maven概念 Maven是一个项目管理工具,其主要作用有2点 依赖管理:管理项目依赖的各种jar包自动构建:项目构建的过程,从编译、测试、运行、打包到安装的过程可以一键执行 二、Maven工程的目录结构 src/main/java:…

H5ke13-1浏览器处理异常

window对应的error没有event对象 window对应的error他接收三个参数,msg,url,行号 return false return true 1就不会返回错误 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><title>Title</title>&…

使用 MITRE ATTCK® 框架缓解网络安全威胁

什么是MITRE ATT&CK框架 MITRE Adversarial Tactics&#xff0c; Techniques&#xff0c; and Common Knowledge&#xff08;ATT&CK&#xff09;是一个威胁建模框架&#xff0c;用于对攻击者用来入侵企业、云和工业控制系统&#xff08;ICS&#xff09;并发起网络攻击…

探索人工智能领域——每日20个名词详解【day10】

目录 前言 正文 总结 &#x1f308;嗨&#xff01;我是Filotimo__&#x1f308;。很高兴与大家相识&#xff0c;希望我的博客能对你有所帮助。 &#x1f4a1;本文由Filotimo__✍️原创&#xff0c;首发于CSDN&#x1f4da;。 &#x1f4e3;如需转载&#xff0c;请事先与我联系以…

正则表达式(5):常用符号

正则表达式&#xff08;5&#xff09;&#xff1a;常用符号 小结 本博文转载自 在本博客中&#xff0c;”正则表达式”为一系列文章&#xff0c;如果你想要从头学习怎样在Linux中使用正则&#xff0c;可以参考此系列文章&#xff0c;直达链接如下&#xff1a; 在Linux中使用正…

Leetcode刷题详解——最长湍流子数组

1. 题目链接&#xff1a;978. 最长湍流子数组 2. 题目描述&#xff1a; 给定一个整数数组 arr &#xff0c;返回 arr 的 最大湍流子数组的长度 。 如果比较符号在子数组中的每个相邻元素对之间翻转&#xff0c;则该子数组是 湍流子数组 。 更正式地来说&#xff0c;当 arr 的子…

简单易懂:Axios 如何取消请求的两种方法

在前端开发中&#xff0c;网络请求是非常常见的操作。而有时候&#xff0c;我们可能需要在发送请求后取消它&#xff0c;比如用户在请求还未完成时离开了当前页面或者执行了其他操作&#xff0c;本文将介绍如何在使用 Axios 发送请求时取消这些请求。 基本概念 在 Axios 中&am…

WindowsServer服务器系列:定时备份 MySQL

一、编写脚本 echo 取日期、时间变量值 set yy%date:~0,4% set mm%date:~5,2% set dd%date:~8,2% if /i %time:~0,2% lss 10 set hh0%time:~1,1% if /i %time:~0,2% geq 10 set hh%time:~0,2% set mn%time:~3,2% set ss%time:~6,2% set date%yy%%mm%%dd% set time%hh%%mn%%ss…

DAPP开发【10】express.js的使用

Express.js 是一种流行、轻量级的开源 Web 应用程序框架&#xff0c;用于开发基于 Node.js 的服务器端 Web 应用程序。它提供了强大的功能集&#xff0c;适用于 Web 和移动应用程序。Express.js 旨在支持单页、多页和混合式 Web 应用程序的开发。Express.js 提供了广泛的功能&a…

2022年第十一届数学建模国际赛小美赛A题翼龙如何飞行解题全过程文档及程序

2022年第十一届数学建模国际赛小美赛 A题 翼龙如何飞行 原题再现&#xff1a; 翼龙是翼龙目中一个已灭绝的飞行爬行动物分支。它们存在于中生代的大部分时期&#xff1a;从三叠纪晚期到白垩纪末期。翼龙是已知最早进化出动力飞行的脊椎动物。它们的翅膀是由皮肤、肌肉和其他组…

python学习之JSON数据处理在Python中的应用:从解析到生成

JSON文件是一种轻量级的数据交换格式&#xff0c;它采用了一种类似于JavaScript语法的结构&#xff0c;可以方便地在不同平台和编程语言之间进行数据交换。在Python中&#xff0c;我们可以使用内置的json模块来读取和写入JSON文件。 下面是一个简单的示例&#xff0c;展示了如…

【基于openGauss5.0.0简单使用DBMind】

基于openGauss5.0.0简单使用DBMind 一、环境说明二、初始化tpch测试数据三、使用DBMind索引推荐功能四、使用DBMind实现SQL优化功能 一、环境说明 虚拟机&#xff1a;virtualbox操作系统&#xff1a;openEuler 20.03 TLS数据库&#xff1a;openGauss-5.0.0DBMind&#xff1a;d…

短剧分销小程序/APP开发:开启短剧收益时代

今年&#xff0c;短剧火爆出圈&#xff0c;市场规模将达至200亿元至300亿元。国内全全平台付费短剧日充值金额为6000万元&#xff0c;短剧作为一种“快餐式”文化迅速爆火。 短剧契合了观众娱乐时间碎片化的发展趋势&#xff0c;相比于传统的电视剧&#xff0c;短剧节奏快、剧…

【链表Linked List】力扣-114 二叉树展开为链表

目录 题目描述 解题过程 官方题解 题目描述 给你二叉树的根结点 root &#xff0c;请你将它展开为一个单链表&#xff1a; 展开后的单链表应该同样使用 TreeNode &#xff0c;其中 right 子指针指向链表中下一个结点&#xff0c;而左子指针始终为 null 。展开后的单链表应…

Android View的 getHeight 和 getMeasuredHeight 的区别

前言 先简单复习一下Android View 的 绘制顺序&#xff1a; 1、onMeasure&#xff08;测量&#xff09;&#xff0c;先根据构造器传进来的LayoutParams&#xff08;布局参数&#xff09;&#xff0c;测量view宽高。 2、onLayout&#xff08;布局&#xff09;&#xff0c;再根…