python图像识别之图片相似度计算( 三 ) _python

最终的运行结果：
aHash:

文章插图

dhash：

文章插图

p_hsah:

文章插图

【python图像识别之图片相似度计算】通过上面运行的结果可以看出来，img1和img2的相似度高一些。
三、余弦相似度(cosin)
把图片表示成一个向量，通过计算向量之间的余弦距离来表征两张图片的相似度。
1. 对图片进行归一化处理
# 对图片进行统一化处理def get_thum(image, size=(64, 64), greyscale=False): # 利用image对图像大小重新设置, Image.ANTIALIAS为高质量的 image = image.resize(size, Image.ANTIALIAS) if greyscale: # 将图片转换为L模式，其为灰度图，其每个像素用8个bit表示 image = image.convert('L') return image2. 计算余弦距离
# 计算图片的余弦距离def image_similarity_vectors_via_numpy(image1, image2): image1 = get_thum(image1) image2 = get_thum(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) # linalg=linear（线性）+algebra（代数），norm则表示范数 # 求图片的范数？？ norms.append(linalg.norm(vector, 2)) a, b = vectors a_norm, b_norm = norms # dot返回的是点积，对二维数组（矩阵）进行计算 res = dot(a / a_norm, b / b_norm)returnres最终运行结果：

文章插图

结果显示img1和img2的相似度高一些，和计算hash值的汉明距离得到的结果是相一致的。
四、图片SSIM(结构相似度量)
SSIM是一种全参考的图像质量评价指标，分别从亮度、对比度、结构三个方面度量图像相似性。SSIM取值范围[0, 1]，值越大，表示图像失真越小。在实际应用中，可以利用滑动窗将图像分块，令分块总数为N，考虑到窗口形状对分块的影响，采用高斯加权计算每一窗口的均值、方差以及协方差，然后计算对应块的结构相似度SSIM，最后将平均值作为两图像的结构相似性度量，即平均结构相似性SSIM 。
ssim1 = compare_ssim(img1, img2, multichannel=True)这个是scikit-image库自带的一种计算方法
运行结果：