SkyeBeFreeman / identify-similar-images

计算图片相似度的多种解决方案

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

Identify similar images

  • 利用直方图距离计算图片相似度

计算公式:

其中,G和S为两张图片的图像颜色分布直方图,N为颜色空间样点数。

这里使用分块的方法计算相似度,用以提高各部分的特征,防止图片颜色相似导致计算的相似度高。

  • 利用平均哈希算法计算图片相似度

计算步骤:

  1. 缩放图片:一般大小为8*8,64个像素值
  2. 简化色彩,转化为灰度图:可以使用Image的convert('L')方法
  3. 计算平均值:计算出灰度图所有像素点的像素值的平均值
  4. 比较像素灰度值:遍历灰度图的每一个像素值与上一步计算的平均值,大于平均值记录为1,否则为0
  5. 得到64位图像指纹
  6. 记录两张图片的图像指纹的汉明距离,计算图片相似度
  • 利用感知哈希算法计算图片相似度

计算步骤:

  1. 缩放图片:一般大小为32*32,这样方便DCT计算

  2. 简化色彩,转化为灰度图:可以使用Image的convert('L')方法

  3. 计算DCT(离散余弦变换):

    获得图像的二维数据矩阵f(x,y)

    求离散余弦变换的系数矩阵[A]

    求系数矩阵对应的转置矩阵[A]T

    根据公式[F(u,v)]=[A][f(x,y)][A]T 计算离散余弦变换

  4. 缩小DCT:DCT计算后的矩阵是32*32,保留左上角的8*8,这些代表的图片的最低频率

  5. 计算平均值:计算缩小DCT后的所有像素点的平均

  6. 进一步减小DCT:大于平均值记录为1,否则为0

  7. 得到64位信息指纹

  8. 记录两张图片的图像指纹的汉明距离,计算图片相似度

  • 利用差异哈希算法计算图片相似度

计算步骤:

  1. 缩放图片:一般大小为9*8,以留下多一行的像素数据进行差异计算
  2. 简化色彩,转化为灰度图:可以使用Image的convert('L')方法
  3. 计算差异值:dHash算法工作在相邻像素之间,这样每行9个像素之间产生了8个不同的差异,一共8行,则产生了64个差异哈希值
  4. 得到64位信息指纹:如果左边的像素比右边的更亮,则记录为1,否则为0
  5. 记录两张图片的图像指纹的汉明距离,计算图片相似度



Use the related libraries:

PIL

matplotlib

About

计算图片相似度的多种解决方案


Languages

Language:Python 100.0%