本文主要是介绍【python 图片搜索】python 快速计算两个图片的相似度，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、图片相似度检测算法原理
我们日常中处理的数据大多数是文本和图片，既然文本有文本相似度，图片肯定也有图片相似度呀，是不是。下面介绍图片相似度检测的算法：检查两个图片的相似度，一个简单而快速的算法：感知哈希算法(Perceptual Hash)，通过某种提取特征的方式为每个图片计算一个指纹（哈希），这样对比两个图片相似与否就变成了对比两个指纹异同的问题。
二、应用
- 相似图片搜索
- 图片相似度比较
- 百度识图
- 图片比较
三、实现步骤和思路
Step1.缩小尺寸
将图片缩小到8*8的大小，这样做可以去除图片的细节，只保留结构和明暗等基本信息，同时摒弃不同尺寸和比例带来的图片差异。
Step2.灰度处理
把缩小后的图片转化为64级灰度图（每个像素只有64种颜色）。
Step3.计算平均值
计算所有64个像素的灰度平均值。
Step4.计算哈希
这里哈希的计算方法是：上面说的64个像素的灰度与平均值进行比较，大于或等于平均值记为1，小于记为0。
将每个像素的比较结果组合在一起成为一个64位的二进制整数，这个整数就是此图片的指纹。
Step5.对比哈希
不同图片对比的方法，就是对比它们的64位哈希中，有多少位不一样（汉明距离）。一般来说如果不同的位数不超过5，就说明两张图片很相似，如果大于10，就很可能是两张不同的图片。
这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。
# -*- coding:utf-8 -*-from functools import reduce
from PIL import Image# 计算图片的局部哈希值--pHash
def phash(img):""":param img: 图片:return: 返回图片的局部hash值"""img = img.resize((8, 8), Image.ANTIALIAS).convert('L')avg = reduce(lambda x, y: x + y, img.getdata()) / 64.hash_value=reduce(lambda x, y: x | (y[1] << y[0]), enumerate(map(lambda i: 0 if i < avg else 1, img.getdata())), 0)print(hash_value)return hash_value# 计算汉明距离:
def hamming_distance(a, b):""":param a: 图片1的hash值:param b: 图片2的hash值:return: 返回两个图片hash值的汉明距离"""hm_distance=bin(a ^ b).count('1')print(hm_distance)return hm_distance# 计算两个图片是否相似:
def is_imgs_similar(img1,img2):""":param img1: 图片1:param img2: 图片2:return: True 图片相似 False 图片不相似"""return True if hamming_distance(phash(img1),phash(img2)) <= 5 else Falseif __name__ == '__main__':# 读取图片sensitive_pic = Image.open("3.jpg")target_pic = Image.open("4.jpg")# 比较图片相似度result=is_imgs_similar(target_pic, sensitive_pic)print(result)
两张不同的图片3和4运行结果：
15824809348783249859
18411139146200482779
24
FalseProcess finished with exit code 0
两张一样的图片1和2运行结果：
14384397865107178495
14384397865107178495
0
TrueProcess finished with exit code 0
封装计算相似度python实现：
# -*- encoding=utf-8 -*-from functools import reduce
from PIL import Image# 这种算法的优点是简单快速，不受图片大小缩放的影响，
# 缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。
# 所以，它的最佳用途是根据缩略图，找出原图。# 计算图片的局部哈希值--pHash
def phash(img):""":param img: 图片:return: 返回图片的局部hash值"""img = img.resize((8, 8), Image.ANTIALIAS).convert('L')avg = reduce(lambda x, y: x + y, img.getdata()) / 64.hash_value=reduce(lambda x, y: x | (y[1] << y[0]), enumerate(map(lambda i: 0 if i < avg else 1, img.getdata())), 0)return hash_value# 自定义计算两个图片相似度函数局部敏感哈希算法
def phash_img_similarity(img1_path,img2_path):""":param img1_path: 图片1路径:param img2_path: 图片2路径:return: 图片相似度"""# 读取图片img1 = Image.open(img1_path)img2 = Image.open(img2_path)# 计算两个图片的局部哈希值# 计算局部敏感哈希值img1_phash = str(phash(img1))img2_phash = str(phash(img2))# 打印局部敏感哈希值print(img1_phash)print(img2_phash)# 计算汉明距离distance = bin(phash(img1) ^ phash(img2)).count('1')print(distance)print(max(len(bin(phash(img1))), len(bin(phash(img1)))))similary = 1 - distance / max(len(bin(phash(img1))), len(bin(phash(img1))))print("两张图片相似度为:%s" % similary)if __name__ == '__main__':img1_path = r'F:\img_spam\test\3.png'img2_path = r'F:\img_spam\test\4.png'similary = phash_img_similarity(img1_path, img2_path)
E:\laidefa\python.exe F:/文本标签/图片反垃圾/感知哈希算法计算图片相似度.py
18446604991956385279
18446604991956385279
0
66
两张图片相似度为:1.0Process finished with exit code 0
这篇关于【python 图片搜索】python 快速计算两个图片的相似度的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
