資訊專欄INFORMATION COLUMN
摘要：圖像指紋與漢明距離在介紹下面其他判別相似度的方法前，先補充一些概念。漢明距離為，即代表兩張圖片完全一樣。下一次將講述利用和以訓練好的模型來進行人臉識別。本文參考文章和圖片來源的文章賴勇浩的文章下一篇地址利用進行識別相似圖片二
文章簡介
在網(wǎng)上看到python做圖像識別的相關文章后，真心感覺python的功能實在太強大，因此將這些文章總結一下，建立一下自己的知識體系。
當然了，圖像識別這個話題作為計算機科學的一個分支，不可能就在本文簡單幾句就說清，所以本文只作基本算法的科普向。
如有錯誤，請多包涵和多多指教。
參考的文章和圖片來源會在底部一一列出。
以及本篇文章所用的代碼都會在底下給出github地址。
安裝相關庫python用作圖像處理的相關庫主要有openCV(C++編寫，提供了python語言的接口)，PIL,但由于PIL很早就停了，所以不支持python3.x,所以建議使用基于PIL的pillow,本文也是在python3.4和pillow的環(huán)境下進行實驗。
pillow下載地址
PIL的下載地址
openCV的官網(wǎng)
至于opencv，在做人臉識別的時候會用到，但本文不會涉及到，在本專欄的后續(xù)中會談及openCV的人臉識別和基于此的python圖片爬蟲，有興趣的朋友可以關注本專欄。
相關背景要識別兩張相似圖像，我們從感性上來談是怎么樣的一個過程？首先我們會區(qū)分這兩張相片的類型，例如是風景照，還是人物照。風景照中，是沙漠還是海洋，人物照中，兩個人是不是都是國字臉，還是瓜子臉（還是倒瓜子臉……哈哈……）。
那么從機器的角度來說也是這樣的，先識別圖像的特征，然后再相比。
很顯然，在沒有經(jīng)過訓練的計算機(即建立模型)，那么計算機很難區(qū)分什么是海洋，什么是沙漠。但是計算機很容易識別到圖像的像素值。
因此，在圖像識別中，顏色特征是最為常用的。（其余常用的特征還有紋理特征、形狀特征和空間關系特征等）
其中又分為
直方圖
顏色集
顏色矩
聚合向量
相關圖
直方圖計算法這里先用直方圖進行簡單講述。
先借用一下戀花蝶的圖片，
從肉眼來看，這兩張圖片大概也有八成是相似的了。
在python中可以依靠Image對象的histogram()方法獲取其直方圖數(shù)據(jù)，但這個方法返回的結果是一個列表，如果想得到下圖可視化數(shù)據(jù)，需要另外使用 matplotlib，這里因為主要介紹算法思路，matplotlib的使用這里不做介紹。
是的，我們可以明顯的發(fā)現(xiàn)，兩張圖片的直方圖是近似重合的。所以利用直方圖判斷兩張圖片的是否相似的方法就是，計算其直方圖的重合程度即可。
計算方法如下：
其中gi和si是分別指兩條曲線的第i個點。
最后計算得出的結果就是就是其相似程度。
不過，這種方法有一個明顯的弱點，就是他是按照顏色的全局分布來看的，無法描述顏色的局部分布和色彩所處的位置。
也就是假如一張圖片以藍色為主，內(nèi)容是一片藍天，而另外一張圖片也是藍色為主，但是內(nèi)容卻是妹子穿了藍色裙子，那么這個算法也很可能認為這兩張圖片的相似的。
緩解這個弱點有一個方法就是利用Image的crop方法把圖片等分，然后再分別計算其相似度，最后綜合考慮。
圖像指紋與漢明距離在介紹下面其他判別相似度的方法前，先補充一些概念。第一個就是圖像指紋
圖像指紋和人的指紋一樣，是身份的象征，而圖像指紋簡單點來講，就是將圖像按照一定的哈希算法，經(jīng)過運算后得出的一組二進制數(shù)字。
說到這里，就可以順帶引出漢明距離的概念了。
假如一組二進制數(shù)據(jù)為101，另外一組為111，那么顯然把第一組的第二位數(shù)據(jù)0改成1就可以變成第二組數(shù)據(jù)111，所以兩組數(shù)據(jù)的漢明距離就為1
簡單點說，漢明距離就是一組二進制數(shù)據(jù)變成另一組數(shù)據(jù)所需的步驟數(shù)，顯然，這個數(shù)值可以衡量兩張圖片的差異，漢明距離越小，則代表相似度越高。漢明距離為0，即代表兩張圖片完全一樣。
如何計算得到漢明距離，請看下面三種哈希算法
平均哈希法(aHash)此算法是基于比較灰度圖每個像素與平均值來實現(xiàn)的
一般步驟
1.縮放圖片，可利用Image對象的resize(size)改變，一般大小為8*8，64個像素值。
2.轉(zhuǎn)化為灰度圖
轉(zhuǎn)灰度圖的算法。
1.浮點算法：Gray=Rx0.3+Gx0.59+Bx0.11
2.整數(shù)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.僅取綠色：Gray=G；
在python中，可用Image的對象的方法convert("L")直接轉(zhuǎn)換為灰度圖
3.計算平均值：計算進行灰度處理后圖片的所有像素點的平均值。
4.比較像素灰度值：遍歷灰度圖片每一個像素，如果大于平均值記錄為1，否則為0.
5.得到信息指紋：組合64個bit位，順序隨意保持一致性。
最后比對兩張圖片的指紋，獲得漢明距離即可。
感知哈希算法(pHash)平均哈希算法過于嚴格，不夠精確，更適合搜索縮略圖，為了獲得更精確的結果可以選擇感知哈希算法，它采用的是DCT（離散余弦變換）來降低頻率的方法
一般步驟：
縮小圖片：32 * 32是一個較好的大小，這樣方便DCT計算
轉(zhuǎn)化為灰度圖：把縮放后的圖片轉(zhuǎn)化為256階的灰度圖。（具體算法見平均哈希算法步驟）
計算DCT:DCT把圖片分離成分率的集合
縮小DCT：DCT計算后的矩陣是32 * 32，保留左上角的8 * 8，這些代表的圖片的最低頻率
計算平均值：計算縮小DCT后的所有像素點的平均值。
進一步減小DCT：大于平均值記錄為1，反之記錄為0.
得到信息指紋：組合64個信息位，順序隨意保持一致性。
最后比對兩張圖片的指紋，獲得漢明距離即可。
這里給出別人的DCT的介紹和計算方法(離散余弦變換的方法)
dHash算法DCT的維基百科
luoweifu的博客
相比pHash，dHash的速度要快的多，相比aHash，dHash在效率幾乎相同的情況下的效果要更好，它是基于漸變實現(xiàn)的。
步驟：
縮小圖片：收縮到9*8的大小，以便它有72的像素點
轉(zhuǎn)化為灰度圖：把縮放后的圖片轉(zhuǎn)化為256階的灰度圖。（具體算法見平均哈希算法步驟）
計算差異值：dHash算法工作在相鄰像素之間，這樣每行9個像素之間產(chǎn)生了8個不同的差異，一共8行，則產(chǎn)生了64個差異值
獲得指紋：如果左邊的像素比右邊的更亮，則記錄為1，否則為0.
最后比對兩張圖片的指紋，獲得漢明距離即可。
這幾種算法是識別相似圖像的基礎，顯然，有時兩圖中的人相似比整體的顏色相似更重要，所以我們有時需要進行人臉識別，
然后在臉部區(qū)進行局部哈希，或者進行其他的預處理再進行哈希，這里涉及其他知識本文不作介紹。
下一次將講述利用opencv和以訓練好的模型來進行人臉識別。
本文算法的實現(xiàn)在下面，點一下下面的連接就好
我的github倉庫
各位親，走過路過給一個star鼓勵一下唄，當然也歡迎提意見。
本文參考文章和圖片來源
wbj0110的文章
賴勇浩的文章
下一篇地址
利用python進行識別相似圖片（二）
文章版權歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://specialneedsforspecialkids.com/yun/37771.html
摘要：上一篇文章的地址利用進行識別相似圖片一安裝官網(wǎng)在進行下一步操作時，我們需要安裝，本來安裝的步驟跟平常安裝其他模塊一樣，而然由于的歷史原因用過都懂，弄得一點都不友好。 前言 和網(wǎng)上各種首先你要有一個女朋友的系列一樣，想進行人臉判斷，首先要有臉，只要能靠確定人臉的位置，那么進行兩張人臉是否相似的操作便迎刃而解了。 所以本篇文章著重講述如何利用openCV定位人臉。 上一篇文章的地址： 利用...
摘要：本文基于環(huán)境，采用為基礎來構建實時人臉檢測與識別系統(tǒng)，探索人臉識別系統(tǒng)在現(xiàn)實應用中的難點。對于人臉檢測方法，效果好于的方法，但是檢測力度也難以達到現(xiàn)場應用標準。本文中，我們采用了基于深度學習方法的人臉檢測系統(tǒng)。 git地址：https://github.com/chenlinzho... 本文主要介紹了系統(tǒng)涉及的人臉檢測與識別的詳細方法，該系統(tǒng)基于python2.7.10/opencv...
摘要：本文基于環(huán)境，采用為基礎來構建實時人臉檢測與識別系統(tǒng)，探索人臉識別系統(tǒng)在現(xiàn)實應用中的難點。對于人臉檢測方法，效果好于的方法，但是檢測力度也難以達到現(xiàn)場應用標準。本文中，我們采用了基于深度學習方法的人臉檢測系統(tǒng)。 git地址：https://github.com/chenlinzho... 本文主要介紹了系統(tǒng)涉及的人臉檢測與識別的詳細方法，該系統(tǒng)基于python2.7.10/opencv...
摘要：學習筆記七數(shù)學形態(tài)學關注的是圖像中的形狀，它提供了一些方法用于檢測形狀和改變形狀。學習筆記十一尺度不變特征變換，簡稱是圖像局部特征提取的現(xiàn)代方法基于區(qū)域圖像塊的分析。本文的目的是簡明扼要地說明的編碼機制，并給出一些建議。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言 開始之前，我們先來看這樣一個提問： pyth...
閱讀 1072·2021-11-23 09:51
閱讀 2417·2021-09-29 09:34
閱讀 3156·2019-08-30 14:20
閱讀 1052·2019-08-29 14:14
閱讀 3187·2019-08-29 13:46
閱讀 1082·2019-08-26 13:54
閱讀 1637·2019-08-26 13:32
閱讀 1433·2019-08-26 12:23
