ubuntu下图像相似度算法

一：图片相似度算法（对像素求方差并比对）的学习

1.1 算法逻辑

1.1.1  缩放图片

　　将需要处理的图片所放到指定尺寸，缩放后图片大小由图片的信息量和复杂度决定。譬如，一些简单的图标之类图像包含的信息量少，复杂度低，可以缩放小一点。风景等复杂场景信息量大，复杂度高就不能缩放太小，容易丢失重要信息。根据自己需求，弹性的缩放。在效率和准确度之间维持平衡。

1.1.2  灰度处理

　　通常对比图像相似度和颜色关系不是很大，所以处理为灰度图，减少后期计算的复杂度。如果有特殊需求则保留图像色彩。

1.1.3 计算平均值

　　此处开始，与传统的哈希算法不同：分别依次计算图像每行像素点的平均值，记录每行像素点的平均值。每一个平均值对应着一行的特征。

1.1.4  计算方差

　　对得到的所有平均值进行计算方差，得到的方差就是图像的特征值。方差可以很好的反应每行像素特征的波动，既记录了图片的主要信息。

1.1.5  比较方差

　　经过上面的计算之后，每张图都会生成一个特征值（方差）。到此，比较图像相似度就是比较图像生成方差的接近成程度。
　　一组数据方差的大小可以判断稳定性，多组数据方差的接近程度可以反应数据波动的接近程度。我们不关注方差的大小，只关注两个方差的差值的大小。方差差值越小图像越相似！

1.2  代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58

import cv2 import matplotlib.pyplot as plt   #计算方差 def getss(list):     #计算平均值     avg=sum(list)/len(list)     #定义方差变量ss，初值为0     ss=0     #计算方差     for l in list:         ss+=(l-avg)*(l-avg)/len(list)     #返回方差     return ss   #获取每行像素平均值 def getdiff(img):     #定义边长     Sidelength=30     #缩放图像     img=cv2.resize(img,(Sidelength,Sidelength),interpolation=cv2.INTER_CUBIC)     #灰度处理     gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)     #avglist列表保存每行像素平均值     avglist=[]     #计算每行均值，保存到avglist列表     for i in range(Sidelength):         avg=sum(gray[i])/len(gray[i])         avglist.append(avg)     #返回avglist平均值     return avglist   #读取测试图片 img1=cv2.imread("james.jpg") diff1=getdiff(img1) print('img1:',getss(diff1))   #读取测试图片 img11=cv2.imread(<