简述

前段时间写了篇博文 哈希算法实现图像相似度比较(Python&OpenCV) ，使用简单的哈希算法进行图像相似度判断。但是在实践中该算法达不到预期的效果：

图像缩放8*8大小，图片信息内容严重丢失

64位Hash值对比，计算出结果在[0，64]之内，很难大程度区分图像特征

因为存在以上问题，所以想自己尝试改进一下算法，尽可能提高算法的准确性。

算法逻辑

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。

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。

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。

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。

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！

代码实现

使用python&Opencv对上述算法进行实现

获取图像每行像素平均值

#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

计算图像特征值(方差)

#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

实例演示

两张原图如下：

图一

图二

为了便于观察，将两个图像每行像素值平均值在折线图上进行描绘，更能直观的比较均值的波动性，既图像的相似度。

方差如下

演示程序完整代码如下

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("F:\test\walk01.jpg")

diff1=getdiff(img1)

print('img1:',getss(diff1))

#读取测试图片

img11=cv2.imread("F:\test\walk03.jpg")

diff11=getdiff(img11)

print('img11:',getss(diff11))

x=range(30)

plt.figure("avg")

plt.plot(x,diff1,marker="*",label="$walk01$")

plt.plot(x,diff11,marker="*",label="$walk03$")

plt.title("avg")

plt.legend()

plt.show()

cv2.waitKey(0)

cv2.destroyAllWindows()

以上仅个人见解，不足之处望大家批评指正！