一、判断图片是否相等

1.基于相等判断图像是否相同

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

2.基于numpy计算图像是否相似

import numpy as np
from PIL import Imageimport os
os.chdir('e:\mediabigdata')a=Image.open('./img/image0.jpg')
b=Image.open('./img/image0.jpg')diff=np.subtract(a,b)
out=not np.any(diff)
print(out)

3.基于哈希判断

import hashliba=open('./img/image1.jpg','rb')
b=open('./img/image1.jpg','rb')amd5=hashlib.md5(a.read()).hexdigest()
bmd5=hashlib.md5(b.read()).hexdigest()print(amd5)
print(bmd5)

4.缩放图像，基于各种哈希判断

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')  #去掉坐标轴plt.show()img = cv2.resize(img, (8, 8))plt.imshow(img)plt.axis('off')  #去掉坐标轴plt.show()# 转换为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# s为像素和初值为0，hash_str为hash值初值为''s = 0hash_str = ''# 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# 差值感知算法
def dHash(img):# 缩放8*8img = cv2.resize(img, (9, 8))# 转换灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)hash_str = ''# 每行前一个像素大于后一个像素为1，相反为0，生成哈希for i in range(8):for j in range(8):if gray[i, j] > gray[i, j + 1]:hash_str = hash_str + '1'else:hash_str = hash_str + '0'return hash_str# 感知哈希算法(pHash)
def pHash(img):# 缩放32*32img = cv2.resize(img, (32, 32))  # , interpolation=cv2.INTER_CUBIC# 转换为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 将灰度图转为浮点型，再进行dct变换dct = cv2.dct(np.float32(gray))# opencv实现的掩码操作dct_roi = dct[0:8, 0:8]hash = []avreage = np.mean(dct_roi)for i in range(dct_roi.shape[0]):for j in range(dct_roi.shape[1]):if dct_roi[i, j] > avreage:hash.append(1)else:hash.append(0)return hash# 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, 255.0])hist2 = cv2.calcHist([image2], [0], None, [256], [0.0, 255.0])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 + 1degree = degree / len(hist1)return degree# Hash值对比
def cmpHash(hash1, hash2):n = 0# hash长度不同则返回-1代表传参出错if len(hash1)!=len(hash2):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 nos.chdir(r'C:\Users\81244\Desktop\Python practice')
img1 = cv2.imread('./pic/image1.jpg')  #  11--- 16 ----13 ---- 0.43
img2 = cv2.imread('./pic/image2.jpg')hash1 = aHash(img1)
hash2 = aHash(img2)
n = cmpHash(hash1, hash2)
print('均值哈希算法相似度：', n)hash1 = dHash(img1)
hash2 = dHash(img2)
n = cmpHash(hash1, hash2)
print('差值哈希算法相似度：', n)hash1 = pHash(img1)
hash2 = pHash(img2)
n = cmpHash(hash1, hash2)
print('感知哈希算法相似度：', n)n = classify_hist_with_split(img1, img2)
print('三直方图算法相似度：', n)

二、视频分镜头

原理：对视频分帧后的所有相邻镜头进行比较，相似度过低的则判定为不同镜头并保存

使用均值哈希：

filelist=os.listdir(r'C:\Users\81244\Desktop\Python practice\pic')
img1=cv2.imread('./pic/image0.jpg')
cv2.imwrite('./shot/image0.jpg',img2)
for i in range(len(filelist)-1):img1=cv2.imread('./pic/image{}.jpg'.format(i))#print(type(img1))img2=cv2.imread('./pic/image{}.jpg'.format(i+1))hash1 = aHash(img1)hash2 = aHash(img2)n=cmpHash(hash1, hash2)print(n)if (n>25):cv2.imwrite('./shot/image{}.jpg'.format(i+1),img2)

结果：

使用直方图：

filelist=os.listdir(r'C:\Users\81244\Desktop\Python practice\pic')#image_save=r'C:\Users\81244\Desktop\Python practice\picsave'img1=cv2.imread('./pic/image0.jpg')
cv2.imwrite('./shot/image0.jpg',img1)
for i in range(len(filelist)-1):img1=cv2.imread('./pic/image{}.jpg'.format(i))#print(type(img1))img2=cv2.imread('./pic/image{}.jpg'.format(i+1))hash1 = aHash(img1)hash2 = aHash(img2)'''n=cmpHash(hash1, hash2)print(n)'''n = classify_hist_with_split(img1, img2)print('三直方图算法相似度：', n)if (n<0.6):cv2.imwrite('./shot/image{}.jpg'.format(i+1),img2)

结果：

视频图像处理——图像比较与分镜头相关推荐

视频图像处理仿真测试系统
视频图像处理仿真测试系统 1.仿真测试系统框架一个完善的仿真测试系统对于图像处理算法的设计至关重要.这个测试系统至少要完成以下功能: (1)模拟可配置的视频流(单帧的视频即为一幅图像). (2)模拟 ...
智能化场景识别，8个视频图像处理方案你值得拥有
视频图像就是连续的静态图像的序列,是一种对客观事物更为形象,生动地描述.视频图像处理系统即基于图像处理算法对视频图像进行处理的系统.视频图像处理系统跟当代科学技术的发展是密不可分的.一个方面随着计算机 ...
基于FPGA视频图像处理系统设计
摘要本报告给出一个基于FPGA+两片DDR2组成的核心板.带有4路视频输入和VGA接口的开发板进行的视频图像采集和处理系统的设计.使用TW2867进行视频输入信号的编码,存储到DDR2中,通过 ...
视频图像处理技术优势安防视频监控应用
随着科技的发展和时代的不断进步,视频和图像数据处理技术已经逐渐成熟起来,对人们的生活和工作起着重要的作用.未来,视频监控与我们生活的联系将日益密切.毫无疑问,视频图像处理技术的研发是时下最大的安防热点 ...
浅谈安防监控中视频图像处理技术
2019-08-15 21:39:20 随着计算机软件.硬件技术的日新月异的发展和普及,人类已经进入一个高速发展的信息化时代,人类大概有80%的信息来自图像,科学研究.技术应用中图像处理技术越来越成为 ...
基于海思Hi3531 ARM+K7 FPGA高性能综合视频图像处理平台
板卡概述 XM703是自主研制的一款基于PCIE总线架构的高性能综合视频图像处理平台,该平台采用Xilinx的高性能Kintex UltraScale系列FPGA加上华为海思的高性能视频处理器来实现. ...
【PCIE703】XCKU060+海思视频处理器HI3531DV200-ARM的高性能综合视频图像处理平台设计资料及调试经验
板卡概述 PCIE703是我司自主研制的一款基于PCIE总线架构的高性能综合视频图像处理平台,该平台采用Xilinx的高性能Kintex UltraScale系列FPGA加上华为海思的高性能视频处理器 ...
System Verilog 视频缩放图像缩放 vivado 仿真
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/qq_46621272/article/ ...
基于USB2.0的视频图像处理芯片实现方案
摘要:实时图像处理是图像处理领域的一个热点.给出了一种基于USB2.0 的视频图像处理芯片的实现方案,首先介绍了系统的整体设计框架,然后针对框架内核心模块阐述了相应的硬件实现原理,最后以Xilinx ...

视频图像处理——图像比较与分镜头

一、判断图片是否相等

1.基于相等判断图像是否相同

2.基于numpy计算图像是否相似

3.基于哈希判断

4.缩放图像，基于各种哈希判断

二、视频分镜头

视频图像处理——图像比较与分镜头相关推荐

最新文章

热门文章