直接上代码,保姆级教程。关于flask一些基础内容看我的写的flask基础内容
import json
from PIL import Image
from functools import reduce
from flask import Flask, request
app = Flask(__name__)
@app.route('/', methods=["POST"])
def predict():
return_dict = {'return_code': '200', 'return_info': '处理成功', 'dis': "1", "img": False}
# 判断传入的json数据是否为空
if request.get_data() is None:
return_dict['return_code'] = '5004'
return_dict['return_info'] = '请求参数为空'
return json.dumps(return_dict, ensure_ascii=False)
# 获取传入的参数
get_Data = request.get_data()
# 传入的参数为bytes类型,需要转化成json
get_Data = json.loads(get_Data)
img1_path = get_Data.get("img1_path")
img2_path = get_Data.get("img2_path")
# 对参数进行操作
img1 = Image.open(img1_path)
img2 = Image.open(img2_path)
return_dict["img"] = img1_path
return_dict['dis'] = is_imgs_similar(img1, img2)
return json.dumps(return_dict, ensure_ascii=False)
# 计算Hash
def phash(img):
img = img.resize((8, 8), Image.ANTIALIAS).convert('L')
avg = reduce(lambda x, y: x + y, img.getdata()) / 64.
return reduce(
lambda x, y: x | (y[1] << y[0]),
enumerate(map(lambda i: 0 if i < avg else 1, img.getdata())),
0
)
# 计算汉明距离
def hamming_distance(a, b):
return bin(a ^ b).count('1')
# 计算图片相似度
def is_imgs_similar(img1, img2):
return hamming_distance(phash(img1), phash(img2))
if __name__ == '__main__':
app.run(debug=True)
其实发这个的主要目的还是比较好理解如何入门理解flask部署。正常运行之后的输出
测试接口,用的postman,下载和使用这个大家直接搜索就可以了。因为输入输出采用的是json格式,所以要进行下面的输入
这是我的图片与python文件的相对位置
postman的输入与输出
这样应该很好理解了