opencv(ORB算法)实现相似度检测

 直接上代码


# 自定义计算两个图片相似度函数
def 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
    """
    try:
        # 读取图片
        img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
        img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)
        w ,h = img1.shape
        # img1 = img1[0 + 45:h]
        # img2 = img2[0 + 45:h1]
        cv2.imshow("img1", img1)
        cv2.imshow("img2", img2)
        cv2.waitKey(0)


        # 初始化ORB检测器
        orb = cv2.ORB_create()
        kp1, des1 = orb.detectAndCompute(img1, None)
        kp2, des2 = orb.detectAndCompute(img2, None)

        # 提取并计算特征点
        bf = cv2.BFMatcher(cv2.NORM_HAMMING)

        # knn筛选结果
        matches = bf.knnMatch(des1, trainDescriptors=des2, k=2)

        # 查看最大匹配点数目
        good = [m for (m, n) in match
  • 1
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
使用Java和OpenCV来计算图片相似度的方法主要包括以下几个步骤: 1. 加载图片:首先,使用OpenCV库的Java接口,通过指定图片路径来加载需要比较的两张图片。 2. 图像预处理:对于加载的每张图片,可以进行一些预处理操作,例如图像缩放、灰度化等。这些操作可以提高后续的图像处理和特征提取的效果。 3. 特征提取:通过使用OpenCV提供的图像处理算法和函数,可以提取出两张图片的特征。例如,可以使用SIFT、SURF或ORB算法来提取出图片中的特征点和描述子。 4. 特征匹配:将特征提取的结果进行匹配,计算出两张图片之间的相似度。可以使用OpenCV中的FLANN或者Brute-Force算法来进行特征匹配。 5. 相似度计算:根据特征匹配的结果,可以根据一定的规则或算法来计算出两张图片之间的相似度。例如,可以计算出特征点的相似度比例、特征匹配的相似度得分等。 6. 结果展示:将计算得到的相似度结果进行展示和输出。可以在控制台输出结果,或者根据需要将结果显示在图形界面上。 需要注意的是,图片相似度的计算是一个较为复杂的问题,不同的算法和方法会有不同的精度和效果。在实际应用中,可以根据具体的需求选择合适的算法和参数来进行处理。另外,由于图像处理和特征提取的计算量较大,可能会需要较长的时间来完成整个过程。因此,在进行大量图片的相似度计算时,需要考虑到计算时间和资源的消耗。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值