详解如何使用opencv实现图片相似度检测

更新时间：2023年12月01日 11:26:15 作者：默默努力的小老弟

这篇文章主要为大家详细介绍了如何使用opencv实现图片相似度检测,文中的示例代码讲解详细,对于我们学习人工智能有一定的帮助,感兴趣的小伙伴可以跟随小编一起学习一下

1.为什么学这个,我对图像处理非常感兴趣,我联想到海尔的指纹识别门锁是如何进行检测的,我在想不应该呀,单片机性能这么差,应该是使用了训练后的数据去检测图片的,如果我要实现草莓检测,知道它是不是草莓,我觉得单纯使用图片处理是不够的,我考虑过使用指纹模块来接触草莓从而实现判断他是不是草莓,从而联想到学习图像相似度检测,我们人类的手指事实上是有大量的传感器的,机器如果想要实现那科技含量太高了,而且成本高,就算实现了也只能放在家里自己玩…

2.代码基于python3.1 opencv,先使用直方图判断是否是简单的图形(运算快)如果不是在判断是否是复杂的图形(运算慢)

import cv2
def calculate_complexity_similarity(img1str, img2str):
    # 加载两张图片
    img1 = cv2.imread(img1str)
    img2 = cv2.imread(img2str)

    # 将图片转换为灰度图像
    gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 创建ORB特征检测器
    orb = cv2.ORB_create()

    # 检测特征点和描述符
    kp1, des1 = orb.detectAndCompute(gray_img1, None)
    kp2, des2 = orb.detectAndCompute(gray_img2, None)

    # 创建暴力匹配器
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

    # 进行特征匹配
    matches = bf.match(des1, des2)
    similarity=0.0
    # 根据特征点匹配结果计算相似度
    if len(matches) > 0:
        similarity = sum([match.distance for match in matches]) / len(matches)
        print('图片相似度为：', similarity)
    else:
        print('未找到匹配的特征点')
        # 调用函数进行图片相似度计算,计算简单的图片相似度
    return similarity
def calculate_histogram_similarity(img1_path, img2_path):
    # 读取两张图片
    img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
    img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)

    # 计算直方图
    hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
    hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])

    # 归一化直方图
    cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
    cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)

    # 比较直方图
    similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
    if similarity<0.6:
        similarity=calculate_complexity_similarity(img1str, img2str)

    return similarity


if __name__ == '__main__':
    img1str='straw1.png'
    img2str='straw3.png'

    sim = calculate_histogram_similarity(img1str, img2str)
    print('图片相似度为：', sim)

3.测试效果

简单的图片使用直方图归一化处理

不同的图片之间比较

2和22比较

2和23无法检测出来,可能是2个2颜色不一样,2和24也一样

straw1和straw2 这两张是在一张图片的两颗草莓

图片相似度为： 0.8582924959300794

traw1和straw3,不同图片的草莓

图片相似度为： 69.67826086956522

与倒立的草莓

图片相似度为： 68.84821428571429

图片相似度为： 73.10416666666667

带有草莓花的草莓,比较符合实际情况

图片相似度为： 0.7757366241694935

啊这汽车和草莓是相似的?而且是多个草莓,改了下代码如果形状都不同了,similarity<0直接返回

4.改进后的代码

import cv2
def calculate_complexity_similarity(img1str, img2str):
    # 加载两张图片
    img1 = cv2.imread(img1str)
    img2 = cv2.imread(img2str)

    # 将图片转换为灰度图像
    gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 创建ORB特征检测器
    orb = cv2.ORB_create()

    # 检测特征点和描述符
    kp1, des1 = orb.detectAndCompute(gray_img1, None)
    kp2, des2 = orb.detectAndCompute(gray_img2, None)

    # 创建暴力匹配器
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

    # 进行特征匹配
    matches = bf.match(des1, des2)
    similarity=0.0
    # 根据特征点匹配结果计算相似度
    if len(matches) > 0:
        similarity = sum([match.distance for match in matches]) / len(matches)
        print('图片相似度为：', similarity)
    else:
        print('未找到匹配的特征点')
        # 调用函数进行图片相似度计算,计算简单的图片相似度
    return similarity
def calculate_histogram_similarity(img1_path, img2_path):
    # 读取两张图片
    img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
    img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)

    # 计算直方图
    hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
    hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])

    # 归一化直方图
    cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
    cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)

    # 比较直方图
    similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
    print(similarity)
     #30%的几率是那应该不是一个东西
    if similarity <0.3:
         return similarity
    if similarity<0.6:
        similarity=calculate_complexity_similarity(img1str, img2str)

    return similarity


if __name__ == '__main__':
    img1str='straw4.png'
    img2str='straw7.png'

    sim = calculate_histogram_similarity(img1str, img2str)
    print('图片相似度为：', sim)

改进后的结果

不同的形状的都返回负数

图片相似度为： -0.07563206074940822

5.根据评论区网友的建议进行测试

1.白描、素描、水彩均不能识别

2.显微镜(基本识别得出)和草莓酱(有几率识别70%,颜色太深识别不出,需要大数据来对比)

3.一堆草莓可以识别出来

能识别显微镜下

不能识别,添加了很多其他材料,或者是放太久果酱颜色变深

可以识别

加个干扰因素,和多个草莓 64%识别出来

5.以后改进的地方,上面的代码可以简单的检测颜色相同形状相同的问题,但是也面临着检测精度的不精确,我们可以录入多个图片如果取相似度最高的一张,当然性能不大好, 识别苹果和草莓达到40%相似率

其实我们不需要自己下载所有图片来提高精确度,我们只需要和网络上的1000张图片对比,基本可以确定这个图片是不是我们要的草莓,这个思路也可以用在识别其他物体…

使用模糊的图片识别工具,识别图片是什么
使用我的代码,假设上面识别出草莓,就拿原来图片和百度的大量图片进行对比,取准确率最高的值在1000张图片中
假设上面识别错误,识别为人,也按照2的方法对比,返回错误结果,并且使用一个关键字文本写上生活中常见的物体,一一查询
其实最重要的是防止重复性的工作,还是需要图片训练,生成模型文件…

6.结论,这个案例仅仅只能实现简单的图片识别功能,并不能识别物体的区域,其实我们可以通过逐步缩小图片的范围来确定物体的位置,我发现使用多维数组来处理图片不是一个明智的选择,还得发现他们函数关系,多个图片又有多个函数关系…,一个图片有多个草莓怎么办…

7.改进,可以任意尺寸图片进行识别

import cv2
import numpy as np

def calculate_complexity_similarity(img1_path, img2_path):
    # 加载两张图片
    img1 = cv2.imread(img1_path)
    img2 = cv2.imread(img2_path)

    # 将图片转换为灰度图像
    gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 创建ORB特征检测器
    orb = cv2.ORB_create()

    # 检测特征点和描述符
    kp1, des1 = orb.detectAndCompute(gray_img1, None)
    kp2, des2 = orb.detectAndCompute(gray_img2, None)

    # 将描述符类型转换为CV_8U
    des1 = np.uint8(des1)
    des2 = np.uint8(des2)

    # 创建暴力匹配器
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

    # 进行特征匹配
    matches = bf.match(des1, des2)
    similarity = 0.0
    # 根据特征点匹配结果计算相似度
    if len(matches) > 0:
        similarity = sum([match.distance for match in matches]) / len(matches)
        print('图片相似度为：', similarity)
    else:
        print('未找到匹配的特征点')

    return similarity


def calculate_histogram_similarity(img1_path, img2_path):
    # 读取两张图片
    img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
    img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)

    # 计算直方图
    hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
    hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])

    # 归一化直方图
    cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
    cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)

    # 比较直方图
    similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)

    if similarity < 0.2:
        return similarity
    if similarity < 0.6:
        # 检查ORB描述符是否可用，若不可用则直接返回较低的相似度值
        orb = cv2.ORB_create()
        kp1, des1 = orb.detectAndCompute(img1, None)
        kp2, des2 = orb.detectAndCompute(img2, None)

        if des1 is None or des2 is None:
            print('未找到足够的特征点')
            return 0.1

        # 转换描述符类型
        des1 = np.uint8(des1)
        des2 = np.uint8(des2)

        # 进行特征匹配
        bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
        matches = bf.match(des1, des2)
        orb_similarity = 0.0
        if len(matches) > 0:
            orb_similarity = sum([match.distance for match in matches]) / len(matches)
            print('ORB图片相似度为：', orb_similarity)
        else:
            print('未找到匹配的特征点')

        return orb_similarity

    return similarity

if __name__ == '__main__':
    img1_path = 'pic/straw1.png'
    img2_path = 'pic/smstraw1.png'

    sim = calculate_histogram_similarity(img1_path, img2_path)
    print('图片相似度为：', sim)

8.识别多颗草莓,就需要把一张图片分为多个区域,然后分别识别,比如我下面草莓分为4个区域去识别

代码

import cv2
import numpy as np


def calculate_complexity_similarity(img1_path, img2_path):
    # 加载两张图片
    img1 = cv2.imread(img1_path)
    img2 = cv2.imread(img2_path)

    # 将图片转换为灰度图像
    gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 创建ORB特征检测器
    orb = cv2.ORB_create()

    # 检测特征点和描述符
    kp1, des1 = orb.detectAndCompute(gray_img1, None)
    kp2, des2 = orb.detectAndCompute(gray_img2, None)

    # 将描述符类型转换为CV_8U
    des1 = np.uint8(des1)
    des2 = np.uint8(des2)

    # 创建暴力匹配器
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

    # 进行特征匹配
    matches = bf.match(des1, des2)
    similarity = 0.0
    # 根据特征点匹配结果计算相似度
    if len(matches) > 0:
        similarity = sum([match.distance for match in matches]) / len(matches)
        print('图片相似度为：', similarity)
    else:
        print('未找到匹配的特征点')

    return similarity


def calculate_histogram_similarity(img1_path, img2_path):
    # 读取两张图片
    img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
    img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)

    # 计算直方图
    hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
    hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])

    # 归一化直方图
    cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
    cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)

    # 比较直方图
    similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)

    if similarity < 0.2:
        return similarity

    # 将第二个图片切割为4个区域并分别计算相似度
    h, w = img2.shape[:2]
    img2_1 = img2[:h // 2, :w // 2]
    img2_2 = img2[:h // 2, w // 2:]
    img2_3 = img2[h // 2:, :w // 2]
    img2_4 = img2[h // 2:, w // 2:]

    sim_list = []

    # 创建ORB特征检测器
    orb = cv2.ORB_create()
    kp1, des1 = orb.detectAndCompute(img1, None)

    # 计算四个区域的相似度
    for img in [img2_1, img2_2, img2_3, img2_4]:
        kp2, des2 = orb.detectAndCompute(img, None)
        if des1 is None or des2 is None:
            print('未找到足够的特征点')
            sim_list.append(0.1)
        else:
            des1 = np.uint8(des1)
            des2 = np.uint8(des2)
            bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
            matches = bf.match(des1, des2)
            orb_similarity = 0.0
            if len(matches) > 0:
                orb_similarity = sum([match.distance for match in matches]) / len(matches)
            sim_list.append(orb_similarity)

    max_sim = max(sim_list)
    print('图片相似度为：', max_sim)
    return max_sim


if __name__ == '__main__':
    img1_path = 'pic/straw1.png'
    img2_path = 'pic/straw2.png'

    # 加载两张图片
    img1 = cv2.imread(img1_path)
    img2 = cv2.imread(img2_path)

    # 计算ORB特征相似度
    orb_similarity = calculate_complexity_similarity(img1_path, img2_path)

    # 计算直方图相似度
    hist_similarity = calculate_histogram_similarity(img1_path, img2_path)

    # 将第二张图片切割为4个区域
    h, w = img2.shape[:2]
    img2_1 = img2[:h // 2, :w // 2]
    img2_2 = img2[:h // 2, w // 2:]
    img2_3 = img2[h // 2:, :w // 2]
    img2_4 = img2[h // 2:, w // 2:]

    # 在图片上绘制绿色框和相似度
    cv2.rectangle(img2, (0, 0), (w // 2, h // 2), (0, 255, 0), 2)
    cv2.putText(img2, f" {orb_similarity:.2f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    cv2.rectangle(img2, (w // 2, 0), (w, h // 2), (0, 255, 0), 2)
    cv2.putText(img2, f" {hist_similarity:.2f}", (w // 2 + 10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    cv2.rectangle(img2, (0, h // 2), (w // 2, h), (0, 255, 0), 2)
    cv2.putText(img2, f" {orb_similarity:.2f}", (10, h // 2 + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    cv2.rectangle(img2, (w // 2, h // 2), (w, h), (0, 255, 0), 2)
    cv2.putText(img2, f" {hist_similarity:.2f}", (w // 2 + 10, h // 2 + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

    # 显示结果图片
    cv2.namedWindow('Image', cv2.WINDOW_NORMAL)
    cv2.resizeWindow('Image', 800, 600)
    cv2.imshow('Image', cv2.resize(img2, (0, 0), fx=0.5, fy=0.5))
    cv2.waitKey(0)
    cv2.destroyAllWindows()

以上就是详解如何使用opencv实现图片相似度检测的详细内容，更多关于opencv图片相似度检测的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

详解Python3中的多重继承和混入类
Python原生支持多重继承，这使得我们可以从多个父类中继承属性和方法，在本文中，我们将介绍Python中多重继承的概念，并讨论在实际情况下可能遇到的坑，我们还将讨论如何使用混入类来避免这些问题,需要的朋友可以参考下
2023-05-05
python同步windows和linux文件
这篇文章主要为大家详细介绍了python同步windows和linux文件，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2019-08-08
用Pytorch训练CNN(数据集MNIST,使用GPU的方法)
今天小编就为大家分享一篇用Pytorch训练CNN(数据集MNIST,使用GPU的方法)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2019-08-08
python自动发微信监控报警
这篇文章主要为大家详细介绍了python自动发微信监控报警，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2019-09-09
python os.rename实例用法详解
在本篇文章里小编给大家整理的是一篇关于python os.rename实例用法详解内容，有需要的朋友们可以学习下。
2020-12-12
Python实现控制台中的进度条功能代码
下面小编就为大家分享一篇Python实现控制台中的进度条功能代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2017-12-12
Python with语句和过程抽取思想
这篇文章主要介绍了Python with语句和过程抽取思想,本文给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下
2019-12-12
Python中mmap模块处理大文本的操作方法
这篇文章主要介绍了Python中mmap模块（处理大文本）,将一个普通文件映射到内存中，通常在需要对文件进行频繁读写时使用，这样用内存映射读写取代I/O缓存读写，以获得较高的性能，需要的朋友可以参考下
2023-02-02
asyncio 的 coroutine对象与 Future对象使用指南
asyncio是Python 3.4版本引入的标准库，直接内置了对异步IO的支持。asyncio的编程模型就是一个消息循环。今天我们就来详细讨论下asyncio 中的 coroutine 与 Future对象
2016-09-09
Python时间和日期库的实现
这篇文章主要介绍了Python时间和日期库的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2021-03-03