如何检查具有不同像素化的两张图像的相似性答案

【问题标题】：How to check similarity of two images that have different pixelization如何检查具有不同像素化的两张图像的相似性
【发布时间】：2019-03-15 02:59:53
【问题描述】：

我正在运行一个 python 代码来检查 Quora 和 Twitter 用户个人资料照片的相似性，但是当图像相同时我没有得到肯定的结果。

这是比较两张图片的代码：

path_photo_quora= "/home/yousuf/Desktop/quora_photo.jpg"
path_photo_twitter="/home/yousuf/Desktop/twitter_photo.jpeg"
if open(path_photo_quora,"rb").read() == open(path_photo_twitter,"rb").read():
     print('photos profile are identical')

尽管图像相同，但控制台未打印“照片配置文件相同”，我该怎么办？

【问题讨论】：

Checking images for similarity with OpenCV的可能重复

标签： python image-processing user-profile image-scaling image-comparison

【解决方案1】：

您可以使用imagehash 库来比较相似的图像。

from PIL import Image
import imagehash
hash0 = imagehash.average_hash(Image.open('quora_photo.jpg')) 
hash1 = imagehash.average_hash(Image.open('twitter_photo.jpeg')) 
cutoff = 5  # maximum bits that could be different between the hashes. 

if hash0 - hash1 < cutoff:
  print('images are similar')
else:
  print('images are not similar')

由于图像不完全相同，会有一些差异，因此我们使用具有可接受的最大差异的截止值。哈希对象之间的差异是翻转的位数。但即使图像被调整大小、压缩、不同的文件格式或调整了对比度或颜色，imagehash 也能正常工作。

哈希（实际上是指纹）来自图像的 8x8 单色缩略图。但即使样本如此减少，相似性比较也会给出相当准确的结果。调整临界值以在误报和漏报之间找到可接受的平衡。

对于 64 位哈希，0 的差异意味着哈希是相同的。 32 的差异意味着根本没有相似之处。 64 的差异意味着一个哈希值是另一个哈希值的完全负数。

【讨论】：

有没有办法在不下载的情况下在线处理这些图像？即给出代码图像的 url 而不是本地路径？
不在库本身中。您必须使用 requests 之类的东西通过 http 下载图像。这只是几行代码。 stackoverflow.com/a/32859290/1977847
我不想在本地机器上下载图片，因为处理数百万张图片会占用太多空间
如果你使用我链接的代码，图像只会在内存中处理。除非您明确这样做，否则它们不会存储到您的驱动器中。
@MDP，是的。因为图像在散列之前被调整为相同的小尺寸。通常为 8x8 像素。

【解决方案2】：

这两个图像不一样 - 只是成像的东西。正如您自己所注意到的，这些图像显然是不同的大小。因此，比较肯定会失败。

您需要使用某种相似性检查。第一步是将较小的图像放大到较大的图像。然后，您需要采用某种方法来检测和定义相似性。有不同的方法和方法，它们的任何组合都可能是有效的。

例如见Checking images for similarity with OpenCV

【讨论】：

【解决方案3】：

import cv2

class CompareImage(object):

    def __init__(self, image_1_path, image_2_path):
        self.minimum_commutative_image_diff = 1
        self.image_1_path = image_1_path
        self.image_2_path = image_2_path

    def compare_image(self):
        image_1 = cv2.imread(self.image_1_path, 0)
        image_2 = cv2.imread(self.image_2_path, 0)
        commutative_image_diff = self.get_image_difference(image_1, image_2)

        if commutative_image_diff < self.minimum_commutative_image_diff:
            print "Matched"
            return commutative_image_diff
        return 10000 //random failure value

    @staticmethod
    def get_image_difference(image_1, image_2):
        first_image_hist = cv2.calcHist([image_1], [0], None, [256], [0, 256])
        second_image_hist = cv2.calcHist([image_2], [0], None, [256], [0, 256])

        img_hist_diff = cv2.compareHist(first_image_hist, second_image_hist, cv2.HISTCMP_BHATTACHARYYA)
        img_template_probability_match = cv2.matchTemplate(first_image_hist, second_image_hist, cv2.TM_CCOEFF_NORMED)[0][0]
        img_template_diff = 1 - img_template_probability_match

        # taking only 10% of histogram diff, since it's less accurate than template method
        commutative_image_diff = (img_hist_diff / 10) + img_template_diff
        return commutative_image_diff


    if __name__ == '__main__':
        compare_image = CompareImage('image1/path', 'image2/path')
        image_difference = compare_image.compare_image()
        print image_difference

【讨论】：