简单快速的方法来比较图像的相似性

7 回答

• 3

  屏幕截图或图标可以转换（缩放，旋转，倾斜......）吗？我脑子里有很多方法可以帮到你：

  @carlosdc提到的

  • Simple euclidean distance （不适用于转换后的图像，您需要一个阈值） .

  • (Normalized) Cross Correlation - 一个简单的指标，可用于比较图像区域 . 它's more robust than the simple euclidean distance but doesn' t对变换后的图像进行处理，你将再次需要一个阈值 .

  • Histogram comparison - 如果使用标准化直方图，此方法效果很好，不受仿射变换的影响 . 问题是确定正确的阈值 . 它对颜色变化（亮度，对比度等）也非常敏感 . 您可以将它与前两个结合使用 .

  • Detectors of salient points/areas - 例如MSER (Maximally Stable Extremal Regions)，SURF或SIFT . 这些是非常强大的算法，它们可能对您的简单任务来说太复杂了 . 好的是，您不必拥有只有一个图标的确切区域，这些探测器足够强大，可以找到正确的匹配 . 本文对这些方法进行了很好的评估：Local invariant feature detectors: a survey .

  其中大部分已在OpenCV中实现 - 请参阅例如cvMatchTemplate方法（使用直方图匹配）：http://dasl.mem.drexel.edu/~noahKuntz/openCVTut6.html . 突出点/面积探测器也可用 - 见OpenCV Feature Detection .

  回复于 2024-04-29T17:35:12+08:00
• 35

  我最近面临同样的问题，为了解决这个问题（简单快速的算法来比较两个图像）一劳永逸，我为opencv_contrib贡献了一个img_hash module，你可以从this link找到详细信息 .

  img_hash模块提供了六种图像哈希算法，非常好用 .

  Codes example

  
  原籍莉娜

  
  模糊莉娜

  
  调整莱娜的大小

  
  班纳

  #include <opencv2/core.hpp>
  #include <opencv2/core/ocl.hpp>
  #include <opencv2/highgui.hpp>
  #include <opencv2/img_hash.hpp>
  #include <opencv2/imgproc.hpp>
  
  #include <iostream>
  
  void compute(cv::Ptr<cv::img_hash::ImgHashBase> algo)
  {
      auto input = cv::imread("lena.png");
      cv::Mat similar_img;
  
      //detect similiar image after blur attack
      cv::GaussianBlur(input, similar_img, {7,7}, 2, 2);
      cv::imwrite("lena_blur.png", similar_img);
      cv::Mat hash_input, hash_similar;
      algo->compute(input, hash_input);
      algo->compute(similar_img, hash_similar);
      std::cout<<"gaussian blur attack : "<<
                 algo->compare(hash_input, hash_similar)<<std::endl;
  
      //detect similar image after shift attack
      similar_img.setTo(0);
      input(cv::Rect(0,10, input.cols,input.rows-10)).
              copyTo(similar_img(cv::Rect(0,0,input.cols,input.rows-10)));
      cv::imwrite("lena_shift.png", similar_img);
      algo->compute(similar_img, hash_similar);
      std::cout<<"shift attack : "<<
                 algo->compare(hash_input, hash_similar)<<std::endl;
  
      //detect similar image after resize
      cv::resize(input, similar_img, {120, 40});
      cv::imwrite("lena_resize.png", similar_img);
      algo->compute(similar_img, hash_similar);
      std::cout<<"resize attack : "<<
                 algo->compare(hash_input, hash_similar)<<std::endl;
  }
  
  int main()
  {
      using namespace cv::img_hash;
  
      //disable opencl acceleration may(or may not) boost up speed of img_hash
      cv::ocl::setUseOpenCL(false);
  
      //if the value after compare <= 8, that means the images
      //very similar to each other
      compute(ColorMomentHash::create());
  
      //there are other algorithms you can try out
      //every algorithms have their pros and cons
      compute(AverageHash::create());
      compute(PHash::create());
      compute(MarrHildrethHash::create());
      compute(RadialVarianceHash::create());
      //BlockMeanHash support mode 0 and mode 1, they associate to
      //mode 1 and mode 2 of PHash library
      compute(BlockMeanHash::create(0));
      compute(BlockMeanHash::create(1));
  }
  

  在这种情况下，ColorMomentHash会给我们带来最好的结果

  • 高斯模糊攻击：0.567521

  • 轮班攻击：0.229728

  • 调整大小：0.229358

  Pros and cons of each algorithm

  

  img_hash的性能也很好

  Speed comparison with PHash library(100 images from ukbench)
  

  

  如果你想知道这些算法的推荐阈值，请查看这篇文章（http://qtandopencv.blogspot.my/2016/06/introduction-to-image-hash-module-of.html） . 如果您对如何衡量img_hash模块的性能（包括速度和不同的攻击）感兴趣，请查看此链接（http://qtandopencv.blogspot.my/2016/06/speed-up-image-hashing-of-opencvimghash.html） .

  回复于 2024-04-29T17:35:12+08:00
• 2

  屏幕截图是否仅包含图标？如果是这样，两个图像的L2距离可能就足够了 . 如果L2距离不起作用，则下一步是尝试简单且完善的内容，例如：Lucas-Kanade . 我确信在OpenCV中可用 .

  回复于 2024-04-29T17:35:12+08:00
• 9

  如果你想获得关于两张图片的相似性的索引，我建议你从SSIM索引的指标 . 它与人眼更加一致 . 这是一篇关于它的文章：Structural Similarity Index

  它也是在OpenCV中实现的，可以用GPU加速：OpenCV SSIM with GPU

  回复于 2024-04-29T17:35:12+08:00
• 4

  如果您可以确保模板（图标）与测试区域的精确对齐，那么任何旧的像素差异都将起作用 .

  如果对齐只是一点点关闭，那么你可以在找到像素差异之和之前用cv::GaussianBlur低通两个图像 .

  如果对齐的质量可能很差，那么我建议使用Histogram of Oriented Gradients或OpenCV方便的关键点检测/描述符算法之一（例如SIFT或SURF） .

  回复于 2024-04-29T17:35:12+08:00
• 5

  如果匹配相同的图像 - L2距离的代码

  // 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
  }
  

  快速 . 但对照明/视点等的变化不稳健Source

  回复于 2024-04-29T17:35:12+08:00
• 95

  如果你想比较图像的相似性，我建议你使用OpenCV . 在OpenCV中，很少有功能匹配和模板匹配 . 对于特征匹配，有SURF，SIFT，FAST等探测器 . 您可以使用它来检测，描述然后匹配图像 . 之后，您可以使用特定索引查找两个图像之间的匹配数 .

  回复于 2024-04-29T17:35:12+08:00