| 注册
请输入搜索内容

热门搜索

Java Linux MySQL PHP JavaScript Hibernate jQuery Nginx
ivxy1928
9年前发布

利用python进行识别相似图片（一）

来自： https://segmentfault.com/a/1190000004467183

文章简介

在网上看到python做图像识别的相关文章后，真心感觉python的功能实在太强大，因此将这些文章总结一下，建立一下自己的知识体系。

当然了，图像识别这个话题作为计算机科学的一个分支，不可能就在本文简单几句就说清，所以 本文只作基本算法的科普向 。

如有错误，请多包涵和多多指教。

参考的文章和图片来源会在底部一一列出。

以及本篇文章所用的代码都会在底下给出github地址。

安装相关库

python用作图像处理的相关库主要有 openCV (C++编写，提供了python语言的接口)， PIL ,但由于PIL很早就停了，所以不支持python3.x,所以建议使用基于PIL的 pillow ,本文也是在python3.4和pillow的环境下进行实验。

</div>

至于opencv，在做人脸识别的时候会用到，但本文不会涉及到， 在本专栏的后续中会谈及openCV的人脸识别和基于此的python图片爬虫，有兴趣的朋友可以关注本专栏。

相关背景

要识别两张相似图像，我们从感性上来谈是怎么样的一个过程？首先我们会区分这两张相片的类型，例如是风景照，还是人物照。风景照中，是沙漠还是海洋，人物照中，两个人是不是都是国字脸，还是瓜子脸（还是倒瓜子脸……哈哈……）。

那么从机器的角度来说也是这样的，先识别图像的特征，然后再相比。

很显然，在没有经过训练的计算机(即建立模型)，那么计算机很难区分什么是海洋，什么是沙漠。但是计算机很容易识别到图像的像素值。

因此，在图像识别中， 颜色特征 是最为常用的。（其余常用的特征还有 纹理特征 、 形状特征 和 空间关系特征 等）

其中又分为

  • 直方图

  • 颜色集

  • 颜色矩

  • 聚合向量

  • 相关图

直方图计算法

这里先用直方图进行简单讲述。

先借用一下 恋花蝶 的图片，

从肉眼来看，这两张图片大概也有八成是相似的了。

在python中可以依靠 Image 对象的 histogram() 方法获取其直方图数据，但这个方法返回的结果是一个列表，如果想得到下图可视化数据，需要另外使用 matplotlib ，这里因为主要介绍算法思路， matplotlib 的使用这里不做介绍。

是的，我们可以明显的发现，两张图片的直方图是近似重合的。所以利用直方图判断两张图片的是否相似的方法就是，计算其直方图的重合程度即可。

计算方法如下：

$$

\frac{1}{N}\sum_{i=1}^n\left(1-\frac{|g_i-s_i|}{Mac(g_i,s_i)}\right)

$$

其中gi和si是分别指两条曲线的第i个点。

最后计算得出的结果就是就是其相似程度。

不过，这种方法有一个明显的弱点，就是他是按照颜色的全局分布来看的，无法描述颜色的局部分布和色彩所处的位置。

也就是假如一张图片以蓝色为主，内容是一片蓝天，而另外一张图片也是蓝色为主，但是内容却是妹子穿了蓝色裙子，那么这个算法也很可能认为这两张图片的相似的。

缓解这个弱点有一个方法就是利用 Image 的 crop 方法把图片等分，然后再分别计算其相似度，最后综合考虑。

图像指纹与汉明距离

在介绍下面其他判别相似度的方法前，先补充一些概念。第一个就是 图像指纹

图像指纹和人的指纹一样，是身份的象征，而图像指纹简单点来讲， 就是将图像按照一定的哈希算法，经过运算后得出的一组二进制数字。

说到这里，就可以顺带引出 汉明距离 的概念了。

假如一组二进制数据为 101 ，另外一组为 111 ，那么显然把第一组的第二位数据 0 改成 1 就可以变成第二组数据 111 ，所以两组数据的汉明距离就为 1

简单点说，汉明距离就是 一组二进制数据变成另一组数据所需的步骤数 ，显然，这个数值可以 衡量两张图片的差异 ，汉明距离越小，则代表相似度越高。汉明距离为0，即代表两张图片完全一样。

如何计算得到汉明距离，情况下面三种哈希算法

平均哈希法(aHash)

此算法是基于比较灰度图每个像素与平均值来实现的

一般步骤

  • 1.缩放图片，可利用 Image 对象的 resize(size) 改变，一般大小为8*8，64个像素值。

  • 2.转化为灰度图转灰度图的算法。

    • 1.浮点算法：Gray=Rx0.3+Gx0.59+Bx0.11

    • 2.整数方法：Gray=(Rx30+Gx59+Bx11)/100

    • 3.移位方法：Gray =(Rx76+Gx151+Bx28)>>8;

    • 4.平均值法：Gray=（R+G+B）/3;

    • 5.仅取绿色：Gray=G；

    </li> </ul>

    在 python 中，可用 Image 的对象的方法 convert('L') 直接转换为灰度图

    • 3.计算平均值：计算进行灰度处理后图片的所有像素点的平均值。

    • 4.比较像素灰度值：遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0.

    • 5.得到信息指纹：组合64个bit位，顺序随意保持一致性。

    最后比对两张图片的指纹，获得汉明距离即可。

    感知哈希算法(pHash)

    平均哈希算法过于严格，不够精确，更适合搜索缩略图，为了获得更精确的结果可以选择感知哈希算法，它采用的是DCT（离散余弦变换）来降低频率的方法

    一般步骤：

    • 缩小图片： 32 * 32 是一个较好的大小，这样方便DCT计算

    • 转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）

    • 计算DCT:DCT把图片分离成分率的集合

    • 缩小DCT：DCT是 32 * 32 ，保留左上角的 8 * 8 ，这些代表的图片的最低频率

    • 计算平均值：计算缩小DCT后的所有像素点的平均值。

    • 进一步减小DCT：大于平均值记录为1，反之记录为0.

    • 得到信息指纹：组合64个信息位，顺序随意保持一致性。

    最后比对两张图片的指纹，获得汉明距离即可。

    这里给出别人的DCT的介绍和计算方法(离散余弦变换的方法)

    </div>

    dHash算法

    相比pHash，dHash的速度要快的多，相比aHash，dHash在效率几乎相同的情况下的效果要更好，它是基于渐变实现的。

    步骤：

    • 缩小图片：收缩到9*8的大小，一遍它有72的像素点

    • 转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）

    • 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个差异值

    • 获得指纹：如果左边的像素比右边的更亮，则记录为1，否则为0.最后比对两张图片的指纹，获得汉明距离即可。

    总结

    这几种算法是识别相似图像的基础，显然，有时两图中的人相似比整体的颜色相似更重要，所以我们有时需要进行人脸识别，然后在脸部区进行局部哈希，或者进行其他的预处理再进行哈希，这里涉及其他知识本文不作介绍。

    下一次将讲述利用opencv和以训练好的模型来进行人脸识别。

    本文算法的实现在下面，点一下下面的连接就好

    各位亲， 走过路过给一个star鼓励一下呗 ，当然也欢迎提意见。

    本文参考文章和图片来源

    </div>

     本文由用户 ivxy1928 自行上传分享，仅供网友学习交流。所有权归原作者，若您的权利被侵害，请联系管理员。
     转载本站原创文章，请注明出处，并保留原始链接、图片水印。
     本站是一个以用户分享为主的开源技术平台，欢迎各类分享！