python+opencv实现简单的图片搜索功能 - CSDN博客
python+opencv实现简单的图片搜索功能
一、图片搜索中的概念解释：
图片搜索引擎有三种不同的模式
1.Search by Meta-Data:元数据搜索模式，这种和传统的文字搜索类似，给索引数据添加文字注释，上传待查询的图片的时候，需要附加图片的文字描述，实际在后台搜索对应的文字描述，典型的有
2.Search by Example：基于内容的搜索，即Content-Based Image Retrieval (CBIR) systems，也即后文介绍，通过计算图片内容相似度实现搜索，典型的如
3.前两种的混合
二、分四个步骤实施CBIR图片搜索引擎
1.定义图片算子：即定义从图片中提特征的函数，原文中使用了色彩直方图作为图片的特征
2.简历索引数据库：用第一步中定义的提特征函数，遍历图片数据库，提取每张图片的函数，数据保存格式为 image_name ,image_vector
3.定义相似度函数：即计算从两张图片中提取的特征向量间的距离，原文中用的卡方距离
4.调用前三步写好的函数，实现一个查询入口
本文已收录于以下专栏：
相关文章推荐
本文将介绍用Python和OpenCV创建一个简单的图片搜索引擎， CBIR系统的构建主要包括：
1）定义图像描述符（图像特征提取）
这一阶段，需要决定描述图像的哪...
大概五年前吧，我那时还在为一家约会网站做开发工作。他们是早期创业公司，但他们也开始拥有了一些稳定用户量。不像其他约会网站，这家公司向来以洁身自好为主要市场形象。它不是一个供你鬼混的网站——是让你能找到...
关键词：Pytesser image_to_string
Python简单的图片识别，pytesseract .image_file_to_string('1.tif') WindowsError: [Error 2] 解决办法...
目录(?)[-]
Python 3 色情图片识别
一实验简介
11 知识点12 效果展示
二实验步骤
21 安装包22 程序原理23 实现脚本24 测试效果
三实验总结四完整代码
1.概念这里说的是OpenCV中实现的Meanshift算法的大体概念。
在OpenCV中meanshift算法的原理，大体上是这样的：
首先，预先定义一个窗口（可以通过openCv中的ROI在图...
OpenCV（Open Source Computer Vision Library）的计算效率很高且能够完成实时任务。OpenCV库由优化的C/C++代码编写而成，能够充分发挥多核处理和硬件加速的优...
越来越觉得python是一强大的工具，处理样本确实不错。最近因项目需要涉及到图片处理，所以开始用python调用opencv，再次觉得python真乃神器也！
import re...
基于内容的图像检索是计算机视觉中的一个重要问题。它的目标是给定一个查询图像，寻找呈现内容相似的一组图像。其关键点在于如何采用直方图来衡量两个图像的相似性。
通过比较直方图检索相似图片：
原图ima...
这里介绍了图像特征检测算法-SIFT的Python实现，并且介绍了如何在一组图像中利用SIFT算法连接相互匹配的图像。...
他的最新文章
讲师：王禹华
讲师：宋宝华
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)2009年10月 PHP大版内专家分月排行榜第二2009年9月 PHP大版内专家分月排行榜第二2009年7月 PHP大版内专家分月排行榜第二2008年1月 PHP大版内专家分月排行榜第二2007年8月 PHP大版内专家分月排行榜第二2007年5月 PHP大版内专家分月排行榜第二2007年3月 PHP大版内专家分月排行榜第二
2009年11月 PHP大版内专家分月排行榜第三2007年7月 PHP大版内专家分月排行榜第三2007年4月 PHP大版内专家分月排行榜第三2007年1月 PHP大版内专家分月排行榜第三
2013年10月 其他开发语言大版内专家分月排行榜第二2012年2月 其他开发语言大版内专家分月排行榜第二
2013年11月 其他开发语言大版内专家分月排行榜第三2012年4月 其他开发语言大版内专家分月排行榜第三2011年6月 其他开发语言大版内专家分月排行榜第三
2013年10月 其他开发语言大版内专家分月排行榜第二2012年2月 其他开发语言大版内专家分月排行榜第二
2013年11月 其他开发语言大版内专家分月排行榜第三2012年4月 其他开发语言大版内专家分月排行榜第三2011年6月 其他开发语言大版内专家分月排行榜第三
本帖子已过去太久远了，不再提供回复功能。求助 python 如何实现对两张同尺寸图片进行对比，找出像素差异？ - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
已注册用户请 &
求助 python 如何实现对两张同尺寸图片进行对比，找出像素差异？
13:53:33 +08:00 · 5472 次点击
比如这两张图片
尺寸一样， 能否找出 差异的像素数量，就是 'diff' 所占用的像素数？
尝试PIL 和 OPENCV，但是都没法实现对像素的控制，不想做伸手党，但是研究了很久没有进展，上来请教下大家。
20 回复 &| &直到
21:24:17 +08:00
& & 13:55:20 +08:00
还记得字模识别的验证码的么？行不行
& & 13:57:02 +08:00
转成bmp，像素求差集行吗
& & 13:58:54 +08:00 via Android
图片说到底是矩阵，转化成矩阵然后对比不同矩阵元素是不是好点
& & 14:02:48 +08:00
为什么OPENCV不行？imread进来就是Mat矩阵，每个元素就是一个像素。直接两个Mat相减就OK了
& & 14:07:57 +08:00
& & 14:13:10 +08:00
为什么我在网页(chrome)上看的感觉下面的图比较亮，下到本地看是一样的？
& & 14:21:07 +08:00
多谢各位指点，我从矩阵这块在研究看看。再次感谢
& & 14:21:57 +08:00
是不是tn屏幕，光显不均匀
& & 14:24:00 +08:00
@ 原来如此，确实是tn屏。
& & 15:07:30 +08:00
PIL 怎么会不可以呢，我试了下分分钟搞定：
from PIL import Image
im1, im2 = Image.open(&1.jpg&), Image.open(&2.jpg&)
width, height = im1.size
diff = [(x, y) for x in xrange(width) for y in xrange(height) if im1.getpixel((x, y)) != im2.getpixel((x, y))]
print len(diff)
& & 15:34:30 +08:00
把有差异的点 draw 出来可以发现，像素不同的不单单是 'diff' 所占用的像素，周围像素也有不同。应该是因为 JPEG 是有损压缩图片格式，周围像素信息被丢失了。
& & 16:06:44 +08:00
@ 非常感谢，新手上路 ：）
尝试用opencv2
###
import numpy as np
import cv2
global n
n = 0
img1 = cv2.imread('testimg.jpg', 0)
img2 = cv2.imread('testimg_diff.jpg', 0)
height, width = img1.shape
for line in range(height):
for pixel in range(width):
if img1[line][pixel] != img2[line][pixel]:
n = n + 1
print n
###
奇怪得出的值和你的不太一样，继续研究研究
& & 16:12:31 +08:00
import numpy as np
import cv2
img1 = cv2.imread('testimg.jpg', 0)
img2 = cv2.imread('testimg_diff.jpg', 0)
height, width = img1.shape
for line in range(height):
for pixel in range(width):
if img1[line][pixel] != img2[line][pixel]:
& & 16:16:41 +08:00
&显示 Gist 代码&
& & 16:23:56 +08:00
读入到矩阵，然后矩阵相减。
& & 16:31:29 +08:00
@ 发现问题了，我载入的时候直接灰阶了，所以值少了好多，再次感谢
& & 08:23:21 +08:00
直接遍历最简单，上面已经有人说了。另外，可以用opencv的absdiff函数，直接得到差值图像，这样可以看到两幅图像的差异。计算差异像素个数，可以将差值图像转成灰度后，用countNonZero计算非零像素个数。
& &129 天前
@ 因为 opencv 查到了这里。我也有一个 opencv 的 “疑难杂症” 愿意付费请教。微信 ID: luhe1987 ；
& &128 天前 via iPhone
@ 不好意思，我对 opencv 不太熟悉，PIL 也很久没用了，恐不能胜任。
& &127 天前
@ 没问题，多谢回复。
& · & 2373 人在线 & 最高记录 3541 & · &
创意工作者们的社区
World is powered by solitude
VERSION: 3.9.8.0 · 56ms · UTC 01:14 · PVG 09:14 · LAX 17:14 · JFK 20:14? Do have faith in what you're doing.python实现识别相似图片小结
投稿：hebedich
字体：[ ] 类型：转载 时间：
本文给大家分享的是使用Python实现图片相似度识别的总结，代码实用pil模块比较两个图片的相似度，根据实际实用，代码虽短但效果不错，还是非常靠谱的。
在网上看到python做图像识别的相关文章后，真心感觉python的功能实在太强大，因此将这些文章总结一下，建立一下自己的知识体系。
当然了，图像识别这个话题作为计算机科学的一个分支，不可能就在本文简单几句就说清，所以本文只作基本算法的科普向。
如有错误，请多包涵和多多指教。
参考的文章和图片来源会在底部一一列出。
以及本篇文章所用的代码都会在底下给出github地址。
安装相关库
python用作图像处理的相关库主要有openCV(C++编写，提供了python语言的接口)，PIL,但由于PIL很早就停了，所以不支持python3.x,所以建议使用基于PIL的pillow,本文也是在python3.4和pillow的环境下进行实验。
至于opencv，在做人脸识别的时候会用到，但本文不会涉及到，在本专栏的后续中会谈及openCV的人脸识别和基于此的python图片爬虫，有兴趣的朋友可以关注本专栏。
要识别两张相似图像，我们从感性上来谈是怎么样的一个过程？首先我们会区分这两张相片的类型，例如是风景照，还是人物照。风景照中，是沙漠还是海洋，人物照中，两个人是不是都是国字脸，还是瓜子脸（还是倒瓜子脸……哈哈……）。
那么从机器的角度来说也是这样的，先识别图像的特征，然后再相比。
很显然，在没有经过训练的计算机(即建立模型)，那么计算机很难区分什么是海洋，什么是沙漠。但是计算机很容易识别到图像的像素值。
因此，在图像识别中，颜色特征是最为常用的。（其余常用的特征还有纹理特征、形状特征和空间关系特征等）
其中又分为
直方图计算法
这里先用直方图进行简单讲述。
先借用一下恋花蝶的图片，
从肉眼来看，这两张图片大概也有八成是相似的了。
在python中可以依靠Image对象的histogram()方法获取其直方图数据，但这个方法返回的结果是一个列表，如果想得到下图可视化数据，需要另外使用 matplotlib，这里因为主要介绍算法思路，matplotlib的使用这里不做介绍。
是的，我们可以明显的发现，两张图片的直方图是近似重合的。所以利用直方图判断两张图片的是否相似的方法就是，计算其直方图的重合程度即可。
计算方法如下：
其中gi和si是分别指两条曲线的第i个点。
最后计算得出的结果就是就是其相似程度。
不过，这种方法有一个明显的弱点，就是他是按照颜色的全局分布来看的，无法描述颜色的局部分布和色彩所处的位置。
也就是假如一张图片以蓝色为主，内容是一片蓝天，而另外一张图片也是蓝色为主，但是内容却是妹子穿了蓝色裙子，那么这个算法也很可能认为这两张图片的相似的。
缓解这个弱点有一个方法就是利用Image的crop方法把图片等分，然后再分别计算其相似度，最后综合考虑。
图像指纹与汉明距离
在介绍下面其他判别相似度的方法前，先补充一些概念。第一个就是图像指纹
图像指纹和人的指纹一样，是身份的象征，而图像指纹简单点来讲，就是将图像按照一定的哈希算法，经过运算后得出的一组二进制数字。
说到这里，就可以顺带引出汉明距离的概念了。
假如一组二进制数据为101，另外一组为111，那么显然把第一组的第二位数据0改成1就可以变成第二组数据111，所以两组数据的汉明距离就为1
简单点说，汉明距离就是一组二进制数据变成另一组数据所需的步骤数，显然，这个数值可以衡量两张图片的差异，汉明距离越小，则代表相似度越高。汉明距离为0，即代表两张图片完全一样。
如何计算得到汉明距离，情况下面三种哈希算法
平均哈希法(aHash)
此算法是基于比较灰度图每个像素与平均值来实现的
1.缩放图片，可利用Image对象的resize(size)改变，一般大小为8*8，64个像素值。
2.转化为灰度图
转灰度图的算法。
1.浮点算法：Gray=Rx0.3+Gx0.59+Bx0.11
2.整数方法：Gray=(Rx30+Gx59+Bx11)/100
3.移位方法：Gray =(Rx76+Gx151+Bx28)&&8;
4.平均值法：Gray=（R+G+B）/3;
5.仅取绿色：Gray=G；
在python中，可用Image的对象的方法convert('L')直接转换为灰度图
3.计算平均值：计算进行灰度处理后图片的所有像素点的平均值。
4.比较像素灰度值：遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0.
5.得到信息指纹：组合64个bit位，顺序随意保持一致性。
最后比对两张图片的指纹，获得汉明距离即可。
感知哈希算法(pHash)
平均哈希算法过于严格，不够精确，更适合搜索缩略图，为了获得更精确的结果可以选择感知哈希算法，它采用的是DCT（离散余弦变换）来降低频率的方法
一般步骤：
缩小图片：32 * 32是一个较好的大小，这样方便DCT计算
转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）
计算DCT:DCT把图片分离成分率的集合
缩小DCT：DCT是32 * 32，保留左上角的8 * 8，这些代表的图片的最低频率
计算平均值：计算缩小DCT后的所有像素点的平均值。
进一步减小DCT：大于平均值记录为1，反之记录为0.
得到信息指纹：组合64个信息位，顺序随意保持一致性。
最后比对两张图片的指纹，获得汉明距离即可。
这里给出别人的DCT的介绍和计算方法(离散余弦变换的方法)
相比pHash，dHash的速度要快的多，相比aHash，dHash在效率几乎相同的情况下的效果要更好，它是基于渐变实现的。
缩小图片：收缩到9*8的大小，一遍它有72的像素点
转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）
计算差异值：dHash算法工作在相邻像素之间，这样每行9个像素之间产生了8个不同的差异，一共8行，则产生了64个差异值
获得指纹：如果左边的像素比右边的更亮，则记录为1，否则为0.
最后比对两张图片的指纹，获得汉明距离即可。
这几种算法是识别相似图像的基础，显然，有时两图中的人相似比整体的颜色相似更重要，所以我们有时需要进行人脸识别，
然后在脸部区进行局部哈希，或者进行其他的预处理再进行哈希，这里涉及其他知识本文不作介绍。
下一次将讲述利用opencv和以训练好的模型来进行人脸识别。
本文算法的实现在下面，点一下下面的连接就好
您可能感兴趣的文章:
大家感兴趣的内容
12345678910
最近更新的内容
常用在线小工具详细介绍Python中利用Scipy包的SIFT方法进行图片识别的实例- Python教程-PHP中文网QQ群微信公众号还没有收藏详细介绍Python中利用Scipy包的SIFT方法进行图片识别的实例scipyscipy包包含致力于科学计算中常见问题的各个工具箱。它的不同子模块相应于不同的应用。像插值，积分，优化，图像处理，，特殊函数等等。scipy可以与其它标准科学计算程序库进行比较，比如GSL(GNU C或C++科学计算库)，或者Matlab工具箱。scipy是Python中科学计算程序的核心包;它用于有效地计算numpy矩阵，来让numpy和scipy协同工作。在实现一个程序之前，值得检查下所需的数据处理方式是否已经在scipy中存在了。作为非专业程序员，科学家总是喜欢重新发明造轮子，导致了充满漏洞的，未经优化的，很难分享和维护的代码。相反，Scipy程序经过优化和测试，因此应该尽可能使用。scipy由一些特定功能的子模块组成，它们全依赖numpy,但是每个之间基本独立。举个Debian系的Linux中安装的例子（虽然我在windows上用--）：复制代码 代码如下:sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose导入Numpy和这些scipy模块的标准方式是：import numpy as np
from scipy import stats # 其它子模块相同主scipy命名空间大多包含真正的numpy函数(尝试 scipy.cos 就是 np.cos)。这些仅仅是由于历史原因，通常没有理由在你的代码中使用import scipy。使用图像匹配SIFT算法进行LOGO检测先上效果图：其中是logo标识,代码如下.#coding=utf-8
import cv2
import scipy as sp
img1 = cv2.imread('x1.jpg',0) # queryImage
img2 = cv2.imread('x2.jpg',0) # trainImage
# Initiate SIFT detector
sift = cv2.SIFT()
# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
# FLANN parameters
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50)
# or pass empty dictionary
flann = cv2.FlannBasedMatcher(index_params,search_params)
matches = flann.knnMatch(des1,des2,k=2)
print 'matches...',len(matches)
# Apply ratio test
for m,n in matches:
if m.distance & 0.75*n.distance:
good.append(m)
print 'good',len(good)
# #####################################
# visualization
h1, w1 = img1.shape[:2]
h2, w2 = img2.shape[:2]
view = sp.zeros((max(h1, h2), w1 + w2, 3), sp.uint8)
view[:h1, :w1, 0] = img1
view[:h2, w1:, 0] = img2
view[:, :, 1] = view[:, :, 0]
view[:, :, 2] = view[:, :, 0]
for m in good:
# draw the keypoints
# print m.queryIdx, m.trainIdx, m.distance
color = tuple([sp.random.randint(0, 255) for _ in xrange(3)])
#print 'kp1,kp2',kp1,kp2
cv2.line(view, (int(kp1[m.queryIdx].pt[0]), int(kp1[m.queryIdx].pt[1])) , (int(kp2[m.trainIdx].pt[0] + w1), int(kp2[m.trainIdx].pt[1])), color)
cv2.imshow(&view&, view)
cv2.waitKey()更多详细介绍Python中利用Scipy包的SIFT方法进行图片识别的实例相关文章请关注PHP中文网！共3篇549点赞收藏分享：.&猜你喜欢PHP中文网：独家原创，永久免费的在线，php技术学习阵地！
All Rights Reserved | 皖B2-QQ群:关注微信公众号