【python 图片搜索】python 快速计算两个图片的相似度

一、图片相似度检测算法原理
我们日常中处理的数据大多数是文本和图片,既然文本有文本相似度,图片肯定也有图片相似度呀,是不是。下面介绍图片相似度检测的算法:检查两个图片的相似度,一个简单而快速的算法:感知哈希算法(Perceptual Hash),通过某种提取特征的方式为每个图片计算一个指纹(哈希),这样对比两个图片相似与否就变成了对比两个指纹异同的问题。
二、应用

  • 相似图片搜索
  • 图片相似度比较
  • 百度识图
  • 图片比较

三、实现步骤和思路

Step1.缩小尺寸

将图片缩小到8*8的大小,这样做可以去除图片的细节,只保留结构和明暗等基本信息,同时摒弃不同尺寸和比例带来的图片差异。

Step2.灰度处理

把缩小后的图片转化为64级灰度图(每个像素只有64种颜色)。

Step3.计算平均值

计算所有64个像素的灰度平均值。

Step4.计算哈希

这里哈希的计算方法是:上面说的64个像素的灰度与平均值进行比较,大于或等于平均值记为1,小于记为0。

将每个像素的比较结果组合在一起成为一个64位的二进制整数,这个整数就是此图片的指纹。

Step5.对比哈希

不同图片对比的方法,就是对比它们的64位哈希中,有多少位不一样(汉明距离)。一般来说如果不同的位数不超过5,就说明两张图片很相似,如果大于10,就很可能是两张不同的图片。

这种算法的优点是简单快速,不受图片大小缩放的影响,缺点是图片的内容不能变更。如果在图片上加几个文字,它就认不出来了。所以,它的最佳用途是根据缩略图,找出原图。


# -*- coding:utf-8 -*-

from functools import reduce
from PIL import Image



# 计算图片的局部哈希值--pHash
def phash(img):
    """
    :param img: 图片
    :return: 返回图片的局部hash值
    """
    img = img.resize((8, 8), Image.ANTIALIAS).convert('L')
    avg = reduce(lambda x, y: x + y, img.getdata()) / 64.
    hash_value=reduce(lambda x, y: x | (y[1] << y[0]), enumerate(map(lambda i: 0 if i < avg else 1, img.getdata())), 0)
    print(hash_value)
    return hash_value

# 计算汉明距离:
def hamming_distance(a, b):
    """
    :param a: 图片1的hash值
    :param b: 图片2的hash值
    :return: 返回两个图片hash值的汉明距离
    """
    hm_distance=bin(a ^ b).count('1')
    print(hm_distance)
    return hm_distance


# 计算两个图片是否相似:
def is_imgs_similar(img1,img2):
    """
    :param img1: 图片1
    :param img2: 图片2
    :return:  True 图片相似  False 图片不相似
    """
    return True if hamming_distance(phash(img1),phash(img2)) <= 5 else False




if __name__ == '__main__':

    # 读取图片
    sensitive_pic = Image.open("3.jpg")
    target_pic = Image.open("4.jpg")

    # 比较图片相似度
    result=is_imgs_similar(target_pic, sensitive_pic)

    print(result)

在这里插入图片描述

两张不同的图片3和4运行结果:

15824809348783249859
18411139146200482779
24
False

Process finished with exit code 0

两张一样的图片1和2运行结果:

14384397865107178495
14384397865107178495
0
True

Process finished with exit code 0

封装计算相似度python实现:

# -*- encoding=utf-8 -*-

from functools import reduce
from PIL import Image

# 这种算法的优点是简单快速,不受图片大小缩放的影响,
# 缺点是图片的内容不能变更。如果在图片上加几个文字,它就认不出来了。
# 所以,它的最佳用途是根据缩略图,找出原图。


# 计算图片的局部哈希值--pHash
def phash(img):
    """
    :param img: 图片
    :return: 返回图片的局部hash值
    """
    img = img.resize((8, 8), Image.ANTIALIAS).convert('L')
    avg = reduce(lambda x, y: x + y, img.getdata()) / 64.
    hash_value=reduce(lambda x, y: x | (y[1] << y[0]), enumerate(map(lambda i: 0 if i < avg else 1, img.getdata())), 0)

    return hash_value


# 自定义计算两个图片相似度函数局部敏感哈希算法
def phash_img_similarity(img1_path,img2_path):
    """
    :param img1_path: 图片1路径
    :param img2_path: 图片2路径
    :return: 图片相似度
    """

    # 读取图片
    img1 = Image.open(img1_path)
    img2 = Image.open(img2_path)


    # 计算两个图片的局部哈希值

    # 计算局部敏感哈希值
    img1_phash = str(phash(img1))
    img2_phash = str(phash(img2))

    # 打印局部敏感哈希值
    print(img1_phash)
    print(img2_phash)

    # 计算汉明距离

    distance = bin(phash(img1) ^ phash(img2)).count('1')
    print(distance)

    print(max(len(bin(phash(img1))), len(bin(phash(img1)))))

    similary = 1 - distance / max(len(bin(phash(img1))), len(bin(phash(img1))))
    print("两张图片相似度为:%s" % similary)





if __name__ == '__main__':
    img1_path = r'F:\img_spam\test\3.png'
    img2_path = r'F:\img_spam\test\4.png'
    similary = phash_img_similarity(img1_path, img2_path)
E:\laidefa\python.exe F:/文本标签/图片反垃圾/感知哈希算法计算图片相似度.py
18446604991956385279
18446604991956385279
0
66
两张图片相似度为:1.0

Process finished with exit code 0
发布了651 篇原创文章 · 获赞 791 · 访问量 187万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览