Python + OpenCV - 如何正确比较图像（通过直方图）？

Question

Python + OpenCV - 如何正确比较图像（通过直方图）？

pythonimageopencvcomparisonhistogram

3

我有一堆图片（来自M.C. Escher收藏），我想要整理它们，所以我首先想到的步骤是通过比较它们（你知道的，有些具有不同的分辨率/形状等）来将它们分组。

我编写了一个非常粗暴的脚本来： * 读取文件 * 计算它们的直方图 * 进行比较

但是比较的质量真的很低，就像有些完全不同的文件匹配起来了。

请看看我到目前为止所写的内容：

准备直方图。

Original Answer: "最初的回答"

files_hist = {}

for i, f in enumerate(files):
    try:
        frame = cv2.imread(f)
        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        hist = cv2.calcHist([frame],[0],None,[4096],[0,4096])
        cv2.normalize(hist, hist, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)

        files_hist[f] = hist
    except Exception as e:
        print('ERROR:', f, e)

对比直方图

pairs = list(itertools.combinations(files_hist.keys(), 2))

for i, (f1, f2) in enumerate(pairs):
    correl = cv2.compareHist(files_hist[f1], files_hist[f2], cv2.HISTCMP_CORREL)

    if correl >= 0.999:
        print('MATCH:', correl, f1, f2)

现在，举个例子，我找到了这两个文件的匹配项： m._c._escher_244_(1933).jpg

和

m._c._escher_208_(1931).jpg

使用上述代码，它们之间的相关性是0.9996699595530539（所以它们几乎相同:( ) 我做错了什么？如何改进代码以避免这种错误匹配？谢谢！最初的回答：以上的代码使用的是图像的平均哈希算法来比较它们的相似度。然而，对于一些图像，这种方法可能会导致错误的匹配结果。要改善结果，你可以尝试使用其他算法，例如结构化相似性索引（SSIM）算法进行比较。

- Sandro Tosi

你可以尝试使用cv::norm()函数和NORM_L2方法来比较两张图片。 - Bahramdun Adil

你的比较的目的是什么？是寻找相似之处吗？还是寻找重复项，或者其他什么？ - Eypros

目的是查找重复项，是的这是主要目的（我还有另一个项目，它通过在特定间隔内抓取帧并进行比较来比较视频）。 - Sandro Tosi

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Heitor Boschirolli · Accepted Answer

直方图不是比较图像的好方法。例如，在黑白图像中，如果它们具有相同数量的黑色像素，则直方图将是相同的，而不考虑图像中像素的分布情况（这就是为什么您提到的图像被分类为几乎相等的原因）。

有更好的方法来量化图像之间的差异，此帖子提到了一个很好的选择：

- 将两个图像加载为数组（scipy.misc.imread），并计算逐元素（逐像素）差异。计算差异的范数。

编辑：

回答一些问题：

我认为每像素的零范数将是0.0-1.0值，接近于0.0的值意味着“图像相同”，对吗？

接近0.0的值意味着像素相同。要将图像作为整体进行比较，您需要对所有像素求和。如果总和接近0.0，则意味着图像几乎相同。

如果2个图像尺寸不同怎么办？

那是一个好问题。为了计算范数差异，图像必须具有相同的大小。我看到两种实现方法：

- 第一种方法是将其中一个图像调整为另一个图像的形状，但这可能会导致图像失真。 - 第二种方法是使用零填充较小的图像，直到尺寸匹配。

注：如果您对逐像素范数求和，则得到介于零和图像中的像素数之间的值。如果要比较多个图像，则可能会产生混淆。例如，假设您正在比较图像A和B，并且两者均具有形状50x50（因此，图像具有2500个像素）；接近2500的值表示图像完全不同。现在假设您正在比较图像C和D，并且两者都具有形状1000x1000，在这种情况下，类似2500的值表示图像相似。为了解决这个问题，可以将逐像素总和除以图像中的像素数，这将导致值介于0.0和1.0之间，其中0.0表示图像相同，1.0表示它们完全不同。

是的，当我比较大小不同的2个图像时，收到错误消息diff = image1 - image2 ValueError: operands could not be broadcast together with shapes (850,534) (663,650) 这是因为图像具有不同的形状。调整大小或填充可以避免此错误（如上所述）。