本文介紹了python 比較2張圖片的相似度的方法示例，分享給大家，具體如下：

#!/usr/bin/python
# -*- coding: UTF-8 -*-
import cv2
import numpy as np
 
#均值雜湊演算法
def aHash(img):
  #縮放為8*8
  img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
  #轉換為灰度圖
  gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
  #s為畫素和初值為0，hash_str為hash值初值為''
  s=0
  hash_str=''
  #遍歷累加求畫素和
  for i in range(8):
    for j in range(8):
      s=s+gray[i,j]
  #求平均灰度
  avg=s/64
  #灰度大於平均值為1相反為0生成圖片的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
 
#差值感知演算法
def dHash(img):
  #縮放8*8
  img=cv2.resize(img,(9,interpolation=cv2.INTER_CUBIC)
  #轉換灰度圖
  gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
  hash_str=''
  #每行前一個畫素大於後一個畫素為1，相反為0，生成雜湊
  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
 
#Hash值對比
def cmpHash(hash1,hash2):
  n=0
  #hash長度不同則返回-1代表傳參出錯
  if len(hash1)!=len(hash2):
    return -1
  #遍歷判斷
  for i in range(len(hash1)):
    #不相等則n計數+1，n最終為相似度
    if hash1[i]!=hash2[i]:
      n=n+1
  return n
 
img1=cv2.imread('A.png')
img2=cv2.imread('B.png')
hash1= aHash(img1)
hash2= aHash(img2)
print(hash1)
print(hash2)
n=cmpHash(hash1,hash2)
print '均值雜湊演算法相似度：'+ str(n)
 
hash1= dHash(img1)
hash2= dHash(img2)
print(hash1)
print(hash2)
n=cmpHash(hash1,hash2)
print '差值雜湊演算法相似度：'+ str(n)

講解

相似影象搜尋的雜湊演算法有三種：

• 均值雜湊演算法
• 差值雜湊演算法
• 感知雜湊演算法
• 均值雜湊演算法

步驟

縮放：圖片縮放為8*8，保留結構，出去細節。
灰度化：轉換為256階灰度圖。
求平均值：計算灰度圖所有畫素的平均值。
比較：畫素值大於平均值記作1，相反記作0，總共64位。
生成hash：將上述步驟生成的1和0按順序組合起來既是圖片的指紋（hash）。順序不固定。但是比較時候必須是相同的順序。
對比指紋：將兩幅圖的指紋對比，計算漢明距離，即兩個64位的hash值有多少位是不一樣的，不相同位數越少，圖片越相似。

程式碼實現：

#均值雜湊演算法
def aHash(img):
  #縮放為8*8
  img=cv2.resize(img,j]>avg:
        hash_str=hash_str+'1'
      else:
        hash_str=hash_str+'0'      
  return hash_str

差值雜湊演算法

差值雜湊演算法前期和後期基本相同，只有中間比較hash有變化。

步驟
1. 縮放：圖片縮放為8*9，保留結構，出去細節。
2. 灰度化：轉換為256階灰度圖。
3. 求平均值：計算灰度圖所有畫素的平均值。
4. 比較：畫素值大於後一個畫素值記作1，相反記作0。本行不與下一行對比，每行9個畫素，八個差值，有8行，總共64位
5. 生成hash：將上述步驟生成的1和0按順序組合起來既是圖片的指紋（hash）。順序不固定。但是比較時候必須是相同的順序。
6. 對比指紋：將兩幅圖的指紋對比，計算漢明距離，即兩個64位的hash值有多少位是不一樣的，不相同位數越少，圖片越相似。

#差值感知演算法
def dHash(img):
  #縮放8*8
  img=cv2.resize(img,j+1]:
        hash_str=hash_str+'1'
      else:
        hash_str=hash_str+'0'
  return hash_str

感知雜湊演算法

感知雜湊演算法可以參考
相似性︱python+opencv實現pHash演算法+hamming距離（simhash）（三）
講的很詳細了。

Hash值對比

由於返回值為str字串，所以直接遍歷字串進行比對。

#Hash值對比
def cmpHash(hash1,hash2):
  n=0
  #hash長度不同則返回-1代表傳參出錯
  if len(hash1)!=len(hash2):
    return -1
  #遍歷判斷
  for i in range(len(hash1)):
    #不相等則n計數+1，n最終為相似度
    if hash1[i]!=hash2[i]:
      n=n+1
  return n

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。