违法网站建设国外服务器,电子元器件商城,wordpress+背景透明,怎么申请pc网站域名背景 在做图像处理或者计算机视觉相关的项目的时候#xff0c;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#xff0c;从而找出当前图像针对上一次的图像的差异性和变化点#xff0c;这需要用到OpenCV中的一些图像相似性和差异性的比对算法#xff0c;在O…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
IDEpycharm2017(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 npdef 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) ** 2c2 (0.03 * 255) ** 2ssim (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 npdef 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 npdef 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 cv2def 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, alpha0, beta1, norm_typecv2.NORM_MINMAX)cv2.normalize(hist2, hist2, alpha0, beta1, norm_typecv2.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
