圖像的相似度對比

1. SSIM（結構相似性度量）

這是一種全參考的圖像質量評價指標，分別從亮度、對比度、結構三個方面度量圖像相似性。

SSIM取值範圍[0, 1]，值越大，表示圖像失真越小。

在實際應用中，可以利用滑動窗將圖像分塊，令分塊總數爲N，考慮到窗口形狀對分塊的影響，採用高斯加權計算每一窗口的均值、方差以及協方差，然後計算對應塊的結構相似度SSIM，最後將平均值作爲兩圖像的結構相似性度量，即平均結構相似性SSIM。
 

from skimage.measure import compare_ssim
from scipy.misc import imread
import numpy as np
 
img1 = imread('1.jpg')
img2 = imread('2.jpg')
 
img2 = np.resize(img2, (img1.shape[0], img1.shape[1], img1.shape[2]))
 
print(img2.shape)
print(img1.shape)
ssim = compare_ssim(img1, img2, multichannel=True)
 
print(ssim)

 

計算出來SSIM爲0.343769017234

該方法通常用來衡量一張圖片壓縮後的失真度，比較少的用來計算兩圖的相似度。

2. cosin相似度（餘弦相似度）

把圖片表示成一個向量，通過計算向量之間的餘弦距離來表徵兩張圖片的相似度。

from PIL import Image
from numpy import average, linalg, dot
 
 
def get_thumbnail(image, size=(1200, 750), greyscale=False):
    image = image.resize(size, Image.ANTIALIAS)
    if greyscale:
        image = image.convert('L')
    return image
 
 
def image_similarity_vectors_via_numpy(image1, image2):
 
    image1 = get_thumbnail(image1)
    image2 = get_thumbnail(image2)
    images = [image1, image2]
    vectors = []
    norms = []
    for image in images:
        vector = []
        for pixel_tuple in image.getdata():
            vector.append(average(pixel_tuple))
        vectors.append(vector)
        norms.append(linalg.norm(vector, 2))
    a, b = vectors
    a_norm, b_norm = norms
    res = dot(a / a_norm, b / b_norm)
    return res
 
 
image1 = Image.open('1.jpg')
image2 = Image.open('2.jpg')
cosin = image_similarity_vectors_via_numpy(image1, image2)
 
print(cosin)

計算出來cosin相似度爲0.911241243612

該方法運算量較大，速度明顯比ssim方法慢，但是隻管感受結果比ssim靠譜。

3. 基於直方圖

直方圖能夠描述一幅圖像中顏色的全局分佈，是一種入門級的圖像相似度計算方法。

from PIL import Image
 
def make_regalur_image(img, size = (256, 256)):
    return img.resize(size).convert('RGB')
 
 
def hist_similar(lh, rh):
    assert len(lh) == len(rh)
    return sum(1 - (0 if l == r else float(abs(l - r))/max(l, r)) for l, r in zip(lh, rh))/len(lh)
 
 
def calc_similar(li, ri):
    return hist_similar(li.histogram(), ri.histogram())
 
 
if __name__ == '__main__':
    img1 = Image.open('1.jpg')
    img1 = make_regalur_image(img1)
    img2 = Image.open('2.jpg')
    img2 = make_regalur_image(img2)
    print(calc_similar(img1, img2))

計算出來的直方圖相似度爲0.490183408809

直方圖過於簡單，只能捕捉顏色信息的相似性，捕捉不到更多的信息。只要顏色分佈相似，就會判定二者相似度較高，顯然不合理。

4. 基於互信息（Mutual Information）

 通過計算兩個圖片的互信息來表徵他們之間的相似度。
 

from sklearn import metrics as mr
from scipy.misc import imread
import numpy as np
 
img1 = imread('1.jpg')
img2 = imread('2.jpg')
 
img2 = np.resize(img2, (img1.shape[0], img1.shape[1], img1.shape[2]))
 
img1 = np.reshape(img1, -1)
img2 = np.reshape(img2, -1)
print(img2.shape)
print(img1.shape)
mutual_infor = mr.mutual_info_score(img1, img2)
 
print(mutual_infor)

如果兩張圖片尺寸相同，還是能在一定程度上表徵兩張圖片的相似性的。但是，大部分情況下圖片的尺寸不相同，如果把兩張圖片尺寸調成相同的話，又會讓原來很多的信息丟失，所以很難把握。經過實際驗證，此種方法的確很難把握。

5. 計算圖像的“指紋信息”

將圖像歸一化成一定大小，計算 一個序列作爲他的指紋信息，然後比較兩張圖片指紋信息序列相同的位數。如果不相同的數據位不超過5，就說明兩張圖片很相似；如果大於10，就說明這是兩張不同的圖片。
 

# 均值哈希算法
def aHash(img):
    # 縮放爲8*8
    img = cv2.resize(img, (8, 8), interpolation=cv2.INTER_CUBIC)
    # 轉換爲灰度圖
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # s爲像素和初值爲0，hash_str爲hash值初值爲''
    s = 0
    hash_str = ''
    # 遍歷累加求像素和
    for i in range(8):
        for j in range(8):
            s = s + gray[i, j]
    # 求平均灰度
    avg = s / 64
    # 灰度大於平均值爲1相反爲0生成圖片的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


# 差值感知算法
def dHash(img):
    # 縮放8*8
    img = cv2.resize(img, (9, 8), interpolation=cv2.INTER_CUBIC)
    # 轉換灰度圖
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    hash_str = ''
    # 每行前一個像素大於後一個像素爲1，相反爲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


# Hash值對比
def cmpHash(hash1, hash2):
    n = 0
    # hash長度不同則返回-1代表傳參出錯
    if len(hash1) != len(hash2):
        return -1
    # 遍歷判斷
    for i in range(len(hash1)):
        # 不相等則n計數+1，n最終爲相似度
        if hash1[i] != hash2[i]:
            n = n + 1
    return n


# 如果不相同的數據位不超過5，就說明兩張圖片很相似；如果大於10，就說明這是兩張不同的圖片。
def img_hash(img1, img2):
    hash1 = aHash(img1)
    hash2 = aHash(img2)
    an = cmpHash(hash1, hash2)
    print '均值哈希算法相似度：' + str(an)

    hash1 = dHash(img1)
    hash2 = dHash(img2)
    dn = cmpHash(hash1, hash2)
    print '差值哈希算法相似度：' + str(dn)

 # img1 = cv2.imread('a.jpg')
 # # img2 = cv2.imread('D:/05/14/5373d896-27eb-4804-af79-8fac72621a27.jpg')
 # img2 = cv2.imread('b.jpg')
img_hash(img1, img2 )
    

參考： https://blog.csdn.net/u010977034/article/details/82733137 

 https://blog.csdn.net/weixin_39121325/article/details/84187453, 

https://blog.csdn.net/counte_rking/article/details/78834644，

https://www.cnblogs.com/P3nguin/p/7860355.html