基本思路

5.1 将视频打散为图片

5.2比较图像相似度

5.2.1 基于相等比较图像相似度

5.2.2 基于numpy计算图片是否相等

5.2.3 基于哈希（以均值哈希算法为例）

5.3 视频截取：ffmpeg

5.4 综合运用

5.4.1练习一

5.4.2练习二

基本思路

1.将视频打散为图片

2.选择合适的方法（相等、numpy、哈希）比较图像相似度

3.根据相似度，去除重复镜头

5.1 将视频打散为图片

其中，vc=cv2.VideoCapture（）

参数为0时，即vc=cv2.VideoCapture（0），表示打开笔记本的内置摄像头；

参数为视频文件路径，即vc=cv2.VideoCapture（“../testi.mp4”），为打开视频文件。

代码如下：

import os
import cv2
import subprocessos.chdir(r'D:\pythonclass')#转到目录下
v_path='ghz.mp4'
image_save='./img'#新建一个文件夹用于放生成的图片cap=cv2.VideoCapture(v_path)
frame_count=cap.get(cv2.CAP_PROP_FRAME_COUNT)#返回帧数
print(frame_count)for i in range(int(frame_count)):_,img=cap.read()img=cv2.cvtColor(img,cv2.cv2.COLOR_BGR2GRAY) #cv2.COLOR_RGBGRAY  cv2.COLOR_BGR2GRAY#大写的都是常量cv2.imwrite('./img/image{}.jpg'.format(i),img)#把i传进{}中

效果如图：

5.2比较图像相似度

5.2.1 基于相等比较图像相似度

涉及函数：operator（标准运算符替代函数）

其中，会用到operator.eq(a,b)。

eq(a, b) 与 a == b 相同。

Operator其他功能参考：operator --- 标准运算符替代函数 — Python 3.10.0 文档

代码如下：

import operator
from PIL import Image
a=Image.open('./img/image0.jpg')
b=Image.open('./img/image0.jpg')
print(a)
out=operator.eq(a,b)
print(out)

5.2.2 基于numpy计算图片是否相等

涉及函数：NumPy 算术函数；any（）函数。

①umpy包含简单的加减乘除: add()，subtract()，multiply() 和 divide()。

np.subtract(a,b)表示两个数组相减。

②any() 函数： iterable 中的任何一项为 true或可迭代对象为空，则 any() 函数返回 True，否则返回 False。

元素除了是 0、空、FALSE 外都算 TRUE。

代码如下：

import operator
from PIL import Image
import os
os.chdir(r'D:\pythonclass')a=Image.open('./img/image0.jpg')
b=Image.open('./img/image0.jpg')out=operator.eq(a,b)
print(out)

5.2.3 基于哈希（以均值哈希算法为例）

基本原理：图片包含了不同频率的部分，其中，亮度变化小的是低频成分，反之为高频。低频成品描述的是大范围的信息，高频成片描述的是细节。小图缺乏细节，所以是低频的。

算法基本思路：

1.缩小图片尺寸为8*8

2.转为灰度图

3.计算像素的灰度平均值

4.基于灰度生成hash值

5.将图像分离为RGB三通道，计算每个通道的相似值

6.对比hash值（计算汉明距离，不同位数越少，图片相似度大）

哈希算法参考：哈希算法-图片相似度计算_chenghaoy的博客-CSDN博客_均值哈希算法

代码如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt
import os#均值哈希算法
def aHash(img):#缩放为8*8plt.imshow(img)plt.axis('off')plt.show()img=cv2.resize(img,(8,8))plt.imshow(img)plt.axis('off')plt.show()#转换为灰度图gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)s=0hash_str='' # s为像素和初值为0，hash_str为hash值初值为''#遍历累加求像素和for i in range(8):for j in range(8):s=s + gray[i,j]#求平均灰度avg=s/64#灰度大于平均值为1  相反为0  生成图片的hash值for i in range(8):for j in range(8):if gray[i,j]>avg:hash_str=hash_str+'1'else:hash_str=hash_str+'0'return hash_str# 通过得到RGB每个通道的直方图来计算相似度
def classify_hist_with_split(image1,image2,size=(256,256)):#将图像resize后，分离为RGB三个通道，再计算每个通道的相似值image1 = cv2.resize(image1,size)image2 = cv2.resize(image2,size)plt.imshow(image1)plt.show()plt.axis('off')plt.imshow(image2)plt.show()plt.axis('off')sub_image1=cv2.split(image1)sub_image2=cv2.split(image2)sub_data=0for im1,im2 in zip(sub_image1,sub_image2):sub_data+=calculate(im1,im2)sub_data=sub_data/3return sub_data# 计算单通道的直方图的相似值
def calculate(image1,image2):hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,225.0])hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,225.0])plt.plot(hist1,color="r")plt.plot(hist2,color="g")plt.show()# 计算直方图的重合度degree = 0for i in range(len(hist1)):if hist1[i]!=hist2[i]:degree=degree+(1-abs(hist1[i])-hist2[i])/max(hist1[i],hist2[i])else:degree = degree + 1#统计相似degree = degree / len(hist1)return degree# Hash值对比
def cmpHash(hash1,hash2):n=0print(hash1)print(hash2)# hash长度不同则返回-1代表传参出错if len(hash1)!=len(hash2):#！=不等于return -1#遍历判断for i in range(len(hash1)):# 不相等则n计数+1，n最终为相似度if hash1[i]!=hash2[i]:n=n+1return nimg1 = cv2.imread('./img/image0.jpg')
img2 = cv2.imread('./img/image1.jpg')hash1 = aHash(img1)
hash2 = aHash(img2)
n=cmpHash(hash1,hash2)
print('均值哈希算法相似度：',n)n=classify_hist_with_split(img1,img2)#看的是image0和image1
print('三直方图算法相似度：',n)

效果如图：

此外，还可以对分镜头进行比对，去除重复的镜头，将筛选后的图片置于一个文件夹中。

代码如下：

import os
import cv2
from PIL import Image
os.chdir(r'D:\pythonclass\video')
print(os.getcwd())#for f in os.listdir('./shot'):
for i in range(549):img1 = cv2.imread('./img/image{}.jpg'.format(i))img2 = cv2.imread('./img/image{}.jpg'.format(i+1))hash1 = aHash(img1)hash2 = aHash(img2)n = cmpHash(hash1,hash2)if (n>32):#可通过改变参数，得到不同的镜头数print('均值哈希算法相似度：',n/64)cv2.imwrite('./shot/image{}.jpg'.format(i+1),img2)

效果如图：

可以看到，文件夹中已生成图片（参数不同，图片数也不同）

5.3 视频截取：ffmpeg

运用ffmpeg截取1min的视频。

在程序框中输入：ffmpeg -i food.mp4 -ss 1 -t 60 -codec copy foodcut.mp4

将截取的视频命名为原名cut.mp4

效果如图：

5.4 综合运用

在5.3基础上，运用5.1和5.2的方法对所截视频进行处理。

5.4.1练习一

代码如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt
import os#均值哈希算法
def aHash(img):#缩放为8*8plt.imshow(img)plt.axis('off')plt.show()img=cv2.resize(img,(8,8))plt.imshow(img)plt.axis('off')plt.show()#转换为灰度图gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)s=0hash_str='' # s为像素和初值为0，hash_str为hash值初值为''#遍历累加求像素和for i in range(8):for j in range(8):s=s + gray[i,j]#求平均灰度avg=s/64#灰度大于平均值为1  相反为0  生成图片的hash值for i in range(8):for j in range(8):if gray[i,j]>avg:hash_str=hash_str+'1'else:hash_str=hash_str+'0'return hash_str# 通过得到RGB每个通道的直方图来计算相似度
def classify_hist_with_split(image1,image2,size=(256,256)):#将图像resize后，分离为RGB三个通道，再计算每个通道的相似值image1 = cv2.resize(image1,size)image2 = cv2.resize(image2,size)plt.imshow(image1)plt.show()plt.axis('off')plt.imshow(image2)plt.show()plt.axis('off')sub_image1=cv2.split(image1)sub_image2=cv2.split(image2)sub_data=0for im1,im2 in zip(sub_image1,sub_image2):sub_data+=calculate(im1,im2)sub_data=sub_data/3return sub_data# 计算单通道的直方图的相似值
def calculate(image1,image2):hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,225.0])hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,225.0])plt.plot(hist1,color="r")plt.plot(hist2,color="g")plt.show()# 计算直方图的重合度degree = 0for i in range(len(hist1)):if hist1[i]!=hist2[i]:degree=degree+(1-abs(hist1[i])-hist2[i])/max(hist1[i],hist2[i])else:degree = degree + 1#统计相似degree = degree / len(hist1)return degree# Hash值对比
def cmpHash(hash1,hash2):n=0print(hash1)print(hash2)# hash长度不同则返回-1代表传参出错if len(hash1)!=len(hash2):#！=不等于return -1#遍历判断for i in range(len(hash1)):# 不相等则n计数+1，n最终为相似度if hash1[i]!=hash2[i]:n=n+1return nimg1 = cv2.imread('./foodimg/image0.jpg')
img2 = cv2.imread('./foodimg/image1.jpg')hash1 = aHash(img1)
hash2 = aHash(img2)
n=cmpHash(hash1,hash2)
print('均值哈希算法相似度：',n)n=classify_hist_with_split(img1,img2)#看的是image0和image2
print('三直方图算法相似度：',n)import os
import cv2
from PIL import Image
os.chdir(r'D:\pythonclass\video')
print(os.getcwd())
#for f in os.listdir(r'D:\pythonclass\video\danceimg\danceshot'):
for i in range(1616):img1 = cv2.imread('./foodimg/image{}.jpg'.format(i))img2 = cv2.imread('./foodimg/image{}.jpg'.format(i+1))hash1 = aHash(img1)hash2 = aHash(img2)n = cmpHash(hash1,hash2)if (n>28):print('均值哈希算法相似度：',n/64)cv2.imwrite('./foodshot/image{}.jpg'.format(i+1),img2)

参数28时，效果如图：

5.4.2练习二

参数15时，效果如图：可以发现镜头划分较为粗糙

将参数改为12，可以看到效果更好，但也会出现一些相似的镜头

第五节课·基于图像相似度比较分镜头相关推荐

Python软件设计基础第五节-基于图像相似度比较实现视频分镜
目录一.前言一.基础算法-判断两张图片是否相等/相似 (一)基于相等判断图像是否相同 (二)基于numpy计算图像是否相似 (三)基于哈希判断图像是否相似 (四)基于各种哈希计算图片相似度 1.均 ...
五节课从零起步(无需数学和Python基础)编码实现AI人工智能框架电子书V1
五节课从零起步 (无需数学和Python 基础) 编码实现AI 人工智能框架王家林 2018/4/15 ...
马建威android视频,5.25春季班高级班第三期第五节课课堂总结
来源:雪球App,作者: 阿里爸爸,(https://xueqiu.com/4583899269/180867769) 5.25春季班高级班第三期第五节课课堂总结今天继续由党斐大师给大家带来中炮先锋 ...
【java】兴唐第十五节课
知识点: 1.定义包名不能以java.为开头. 2.获取系统时间的方法: 注意: (1) 引入Date类时,引入的是java.util.Date 而不是java.sql.Date(后者是前者的子类). ...
统计计算第五节课，Mante Calor方法（二）——减小估计量的方差
这是我上的统计计算课讲的主要内容,写在这可以互相交流,有些地方我不是很理解的会标出来(用加粗斜体*标出),求大佬在留言处表达自己的看法,另外如果有啥问题也可以在留言处留言,如果我看到了会回复这次的内 ...
ViSP学习笔记（二十五）：基于图像的视觉伺服
开发环境:Ubuntu 18.04 LTS + ROS Melodic + ViSP 3.3.1 文章内容主要参考ViSP官方教学文档:https://visp-doc.inria.fr/doxyge ...
第四周：基于图像相似度比较的分镜头
1.把视频打散为图片首先在操作路径下载视频,然后将视频分帧数导出为图片 #把视频打散为图片 import os import cv2 import subprocessos.chdir('/User ...
王学岗——H265编码原理详解与码流分析(对应第五节课)
H264在分辨率高的情况下缺点 1,94年h264开始研制. 2,现在屏幕变的越来越大.假设h264以16X16进行编码,但我们的屏幕宽达到了32000像素.编码一帧画面需要400000个宏块.94年 ...
语音识别入门第五节：基于GMM-HMM的语音识别系统
目录基于孤立词的GMM-HMM语音识别系统训练解码基于单音素的GMM-HMM语音识别系统音素/词典训练解码基于三音素的GMM-HMM语音识别系统三音素决策树基于孤立词的GMM-H ...

第五节课·基于图像相似度比较分镜头

基本思路

5.1 将视频打散为图片

5.2比较图像相似度

5.2.1 基于相等比较图像相似度

5.2.2 基于numpy计算图片是否相等

5.2.3 基于哈希（以均值哈希算法为例）

5.3 视频截取：ffmpeg

5.4 综合运用

5.4.1练习一

5.4.2练习二

第五节课·基于图像相似度比较分镜头相关推荐

最新文章

热门文章