我正在尝试比较图像以查找它们是否不同。首先，我尝试对RGB值进行Pearson相关性分析，这个方法也很好用，除非图片有些许移动。如果有一张图像是100％相同的，但是稍微移动了一下，我就会得到一个糟糕的相关性值。
有更好的算法建议吗？
顺便说一句，我想比较成千上万张图像...
编辑：这是我的图片示例（显微镜）：
im1:
im2:
im3:
im1和im2是相同的，但是有一点点移动/裁剪，而im3应该被识别为完全不同的图像...
编辑： 根据Peter Hansen的建议，问题已得到解决！效果非常好！感谢所有答案！某些结果可以在这里找到 http://labtools.ipk-gatersleben.de/image%20comparison/image%20comparision.pdf
一年前有一个类似的问题，并且有很多回答，其中之一涉及到将图像像素化，我建议至少作为一个预筛选步骤（因为它可以快速排除非常不相似的图像）。
那里还有链接到早期的问题，其中包含更多参考和好的答案。
这里是使用Scipy中的一些想法实现的代码，使用上面提到的三个图像（分别保存为im1.jpg、im2.jpg、im3.jpg）。最终输出显示im1与自身的对比结果作为基准，然后每个图像都与其他图像进行对比。
>>> import scipy as sp
>>> from scipy.misc import imread
>>> from scipy.signal.signaltools import correlate2d as c2d
>>>
>>> def get(i):
... # get JPG image as Scipy array, RGB (3 layer)
... data = imread('im%s.jpg' % i)
... # convert to grey-scale using W3C luminance calc
... data = sp.inner(data, [299, 587, 114]) / 1000.0
... # normalize per http://en.wikipedia.org/wiki/Cross-correlation
... return (data - data.mean()) / data.std()
...
>>> im1 = get(1)
>>> im2 = get(2)
>>> im3 = get(3)
>>> im1.shape
(105, 401)
>>> im2.shape
(109, 373)
>>> im3.shape
(121, 457)
>>> c11 = c2d(im1, im1, mode='same') # baseline
>>> c12 = c2d(im1, im2, mode='same')
>>> c13 = c2d(im1, im3, mode='same')
>>> c23 = c2d(im2, im3, mode='same')
>>> c11.max(), c12.max(), c13.max(), c23.max()
(42105.00000000259, 39898.103896795357, 16482.883608327804, 15873.465425120798)
注意，比较im1和自身会得到42105的分数，将im2与im1相比较，分数差不多，但将im3与其它两个图像相比较，则分数低于一半。需要尝试其他图像以查看其性能如何以及如何改进。
运行时间很长，在我的机器上需要几分钟。我建议进行一些预过滤，以避免浪费时间比较非常不同的图像，可以使用在对另一个问题的回答中提到的"比较jpg文件大小"技巧或像素化。您有不同大小的图像使事情变得复杂，但您没有提供足够的信息来说明可能期望的切割程度，因此很难给出特定的答案以考虑这一点。
我曾使用图像直方图比较完成了这个任务。我的基本算法如下：
(r0...rn, g0...gn, b0...bn)，其中n是“桶”的数量，256应该足够以下是一些使用 numpy 和 pil 的代码：
r = numpy.asarray(im.convert( "RGB", (1,0,0,0, 1,0,0,0, 1,0,0,0) ))
g = numpy.asarray(im.convert( "RGB", (0,1,0,0, 0,1,0,0, 0,1,0,0) ))
b = numpy.asarray(im.convert( "RGB", (0,0,1,0, 0,0,1,0, 0,0,1,0) ))
hr, h_bins = numpy.histogram(r, bins=256, new=True, normed=True)
hg, h_bins = numpy.histogram(g, bins=256, new=True, normed=True)
hb, h_bins = numpy.histogram(b, bins=256, new=True, normed=True)
hist = numpy.array([hr, hg, hb]).ravel()
如果你有两个直方图，可以按照以下方式计算它们之间的距离：
diff = hist1 - hist2
distance = numpy.sqrt(numpy.dot(diff, diff))
如果两个图像是相同的，距离为0，它们越不同，距离就越大。
对于我的照片效果还不错，但对于文本和标志等图形失败了。
a = asarray(Image.open('c603225337.jpg').convert('L'))
b = asarray(Image.open('9b78f22f42.jpg').convert('L'))
f1 = rfftn(a)
f2 = rfftn(b)
g = f1 * f2
c = irfftn(g)
import Image
import numpy
import sys
def main():
img1 = Image.open(sys.argv[1])
img2 = Image.open(sys.argv[2])
if img1.size != img2.size or img1.getbands() != img2.getbands():
return -1
s = 0
for band_index, band in enumerate(img1.getbands()):
m1 = numpy.fft.fft2(numpy.array([p[band_index] for p in img1.getdata()]).reshape(*img1.size))
m2 = numpy.fft.fft2(numpy.array([p[band_index] for p in img2.getdata()]).reshape(*img2.size))
s += numpy.sum(numpy.abs(m1-m2))
print s
if __name__ == "__main__":
sys.exit(main())
此外，您可以尝试使用在摄影工作流程中常用于混合多个曝光或制作全景图像的一些工具，例如Pano Tools。
我曾经学过一些图像处理课程，记得当进行匹配时，通常首先将图像变为灰度，并锐化图像的边缘，以便只看到边缘。然后你（软件）可以移动和相减图像，直到差异最小。
如果差异大于您设置的阈值，则图像不相等，您可以继续下一个。具有较小阈值的图像可以接着分析。
我认为最多只能从可能的匹配中剔除大部分，但需要亲自比较可能的匹配以确定它们是否真的相等。
我无法展示代码，因为这是很久以前的事了，而且我当时使用的是Khoros/Cantata。
sudo apt-get install python-dev
sudo apt-get install libtiff5-dev libjpeg8-dev zlib1g-dev libfreetype6-dev liblcms2-dev libwebp-dev tcl8.6-dev tk8.6-dev python-tk
sudo apt-get install python-scipy
sudo pip install pillow
import scipy as sp
from scipy.ndimage import imread
from scipy.signal.signaltools import correlate2d as c2d
太棒了，Snowflake的脚本8年后仍然对我有效！
from PIL.Image import Image
from typing import List
def jaccard_similarity(im1: Image, im2: Image) -> float:
"""Compute the similarity between two images.
First, for each image an histogram of the pixels distribution is extracted.
Then, the similarity between the histograms is compared using the weighted Jaccard index of similarity, defined as:
Jsimilarity = sum(min(b1_i, b2_i)) / sum(max(b1_i, b2_i)
where b1_i, and b2_i are the ith histogram bin of images 1 and 2, respectively.
The two images must have same resolution and number of channels (depth).
See: https://en.wikipedia.org/wiki/Jaccard_index
Where it is also called Ruzicka similarity."""
if im1.size != im2.size:
raise Exception("Images must have the same size. Found {} and {}".format(im1.size, im2.size))
n_channels_1 = len(im1.getbands())
n_channels_2 = len(im2.getbands())
if n_channels_1 != n_channels_2:
raise Exception("Images must have the same number of channels. Found {} and {}".format(n_channels_1, n_channels_2))
assert n_channels_1 == n_channels_2
sum_mins = 0
sum_maxs = 0
hi1 = im1.histogram() # type: List[int]
hi2 = im2.histogram() # type: List[int]
# Since the two images have the same amount of channels, they must have the same amount of bins in the histogram.
assert len(hi1) == len(hi2)
for b1, b2 in zip(hi1, hi2):
min_b = min(b1, b2)
sum_mins += min_b
max_b = max(b1, b2)
sum_maxs += max_b
jaccard_index = sum_mins / sum_maxs
return jaccard_index
import sys
from skincare.common.utils import jaccard_similarity
import PIL.Image
from PIL.Image import Image
file1 = sys.argv[1]
file2 = sys.argv[2]
im1 = PIL.Image.open(file1) # type: Image
im2 = PIL.Image.open(file2) # type: Image
print("Image 1: mode={}, size={}".format(im1.mode, im1.size))
print("Image 2: mode={}, size={}".format(im2.mode, im2.size))
if im1.size != im2.size:
print("Resizing image 2 to {}".format(im1.size))
im2 = im2.resize(im1.size, resample=PIL.Image.BILINEAR)
j = jaccard_similarity(im1, im2)
print("Jaccard similarity index = {}".format(j))
在您的图片上进行测试：
$ python CompareTwoImages.py im1.jpg im2.jpg
Image 1: mode=RGB, size=(401, 105)
Image 2: mode=RGB, size=(373, 109)
Resizing image 2 to (401, 105)
Jaccard similarity index = 0.7238955686269157
$ python CompareTwoImages.py im1.jpg im3.jpg
Image 1: mode=RGB, size=(401, 105)
Image 2: mode=RGB, size=(457, 121)
Resizing image 2 to (401, 105)
Jaccard similarity index = 0.22785529941822316
$ python CompareTwoImages.py im2.jpg im3.jpg
Image 1: mode=RGB, size=(373, 109)
Image 2: mode=RGB, size=(457, 121)
Resizing image 2 to (373, 109)
Jaccard similarity index = 0.29066426814105445
我猜你可以像这样做：
估计参考图像与比较图像的垂直/水平位移。简单的SAD（绝对差之和）与运动向量一起使用即可。
相应地移动比较图像
测量位移并不困难。
注意：
如果所有x和y的值的SAD都很高，则可以认为图像非常不同，并且不需要进行移位测量。