首页 文章

检查图像与OpenCV的相似性

提问于
浏览 次
115

OpenCV是否支持两个图像的比较，返回一些值（可能是一个百分比），表明这些图像有多相似？例如 . 如果相同的图像被传递两次将返回100％，如果图像完全不同，将返回0％ .

我已经在StackOverflow上阅读了很多类似的主题 . 我也做了一些谷歌搜索 . 可悲的是，我无法想出一个令人满意的答案 .

image opencv comparison similarity

4 回答

  • 168

    这是一个非常庞大的话题，从3行代码到整个研究杂志的答案 .

    我将概述最常见的此类技术及其结果 .

    比较直方图

    最简单，最快捷的方法之一 . 几十年前提出的作为寻找图像相似性的手段 . 这个想法是，森林将拥有大量的绿色，人脸会有很多粉红色，或者其他什么 . 因此，如果你将两张图片与森林进行比较，你会在直方图之间得到一些相似之处，因为两者都有很多绿色 .

    下行：过于简单化了 . 香蕉和海滩看起来都一样，都是黄色的 . OpenCV方法：compareHist（）

    模板匹配

    这是一个很好的例子matchTemplate finding good match . 它将搜索图像与正在搜索的图像进行卷积 . 它通常用于在较大的图像中找到较小的图像部分 .

    缺点：只有相同的图像，相同的大小和方向才会返回良好的结果 . OpenCV方法：matchTemplate（）

    功能匹配

    被认为是进行图像搜索的最有效方法之一 . 从图像中提取许多特征，以确保即使旋转/缩放/倾斜也能再次识别相同的特征 . 以这种方式提取的特征可以与其他图像特征集匹配 . 另一个在第一个中具有高比例特征的图像很可能描绘了相同的对象/场景 . 它可用于查找照片之间拍摄角度的相对差异，或重叠量 .

    这里有许多OpenCV教程/样本，这里有一个很好的视频 . 整个OpenCV模块（features2d）专门用于它 . 缺点：可能很慢 . 这并不完美 .

    回复于
  • 28

    有点偏离主题但有用的是pythonic numpy 方法 . 它强大而快速但只是比较像素而不是图片所包含的对象或数据（并且它需要相同大小和形状的图像）：

    在没有openCV和任何计算机视觉库的情况下，一个非常简单快速的方法是通过规范图像阵列

    import numpy as np
picture1 = np.random.rand(100,100)
picture2 = np.random.rand(100,100)
picture1_norm = picture1/np.sqrt(np.sum(picture1**2))
picture2_norm = picture2/np.sqrt(np.sum(picture2**2))

    在定义两个标准图片（或矩阵）之后，您可以将您想要比较的图片的乘法加以总结：

    1）如果你比较相似的图片，总和将返回1：

    In[1]: np.sum(picture1_norm**2)
Out[1]: 1.0

    2）如果它们不相似，你将获得一个介于0和1之间的值（如果乘以100则为百分比）：

    In[2]: np.sum(picture2_norm*picture1_norm)
Out[2]: 0.75389941124629822

    请注意，如果您有彩色图片，则必须在所有3个维度中执行此操作，或者只是比较灰度版本 . 我经常需要将大量图片与任意内容进行比较，这是一种非常快速的方法 .

    回复于
  • 2

    Sam的解决方案应该足够了 . 我已经使用直方图差异和模板匹配的组合，因为没有一种方法在100％的时间对我有效 . 我对直方图方法的重视程度较低 . 这是我在简单的python脚本中实现的方式 .

    import cv2

class CompareImage(object):

    def __init__(self, image_1_path, image_2_path):
        self.minimum_commutative_image_diff = 1
        self.image_1_path = image_1_path
        self.image_2_path = image_2_path

    def compare_image(self):
        image_1 = cv2.imread(self.image_1_path, 0)
        image_2 = cv2.imread(self.image_2_path, 0)
        commutative_image_diff = self.get_image_difference(image_1, image_2)

        if commutative_image_diff < self.minimum_commutative_image_diff:
            print "Matched"
            return commutative_image_diff
        return 10000 //random failure value

    @staticmethod
    def get_image_difference(image_1, image_2):
        first_image_hist = cv2.calcHist([image_1], [0], None, [256], [0, 256])
        second_image_hist = cv2.calcHist([image_2], [0], None, [256], [0, 256])

        img_hist_diff = cv2.compareHist(first_image_hist, second_image_hist, cv2.HISTCMP_BHATTACHARYYA)
        img_template_probability_match = cv2.matchTemplate(first_image_hist, second_image_hist, cv2.TM_CCOEFF_NORMED)[0][0]
        img_template_diff = 1 - img_template_probability_match

        # taking only 10% of histogram diff, since it's less accurate than template method
        commutative_image_diff = (img_hist_diff / 10) + img_template_diff
        return commutative_image_diff


    if __name__ == '__main__':
        compare_image = CompareImage('image1/path', 'image2/path')
        image_difference = compare_image.compare_image()
        print image_difference
    回复于
  • -1

    如果匹配相同的图像（相同的大小/方向）

    // Compare two images by getting the L2 error (square-root of sum of squared error).
double getSimilarity( const Mat A, const Mat B ) {
if ( A.rows > 0 && A.rows == B.rows && A.cols > 0 && A.cols == B.cols ) {
    // Calculate the L2 relative error between images.
    double errorL2 = norm( A, B, CV_L2 );
    // Convert to a reasonable scale, since L2 error is summed across all pixels of the image.
    double similarity = errorL2 / (double)( A.rows * A.cols );
    return similarity;
}
else {
    //Images have a different size
    return 100000000.0;  // Return a bad value
}

    Source

    回复于

相关问题