python如何判断两个图片是否相似

Python判断两个图片是否相似的方法有多种，包括基于直方图比较、结构相似度、感知哈希算法等。最常用的方法是使用结构相似度（SSIM）来比较图像。

结构相似度（SSIM）能更好地模拟人类视觉系统的感知，能够较为准确地判断图像的相似度。

下面将详细介绍如何在Python中使用SSIM来判断两个图片的相似度，并结合其他方法如直方图比较、感知哈希算法进行补充。

一、安装所需库

在开始之前，需要安装一些必要的Python库：opencv-python、scikit-image和numpy。这些库可以通过以下命令安装：

pip install opencv-python scikit-image numpy

二、使用结构相似度（SSIM）

SSIM是一种衡量两幅图像相似度的指标，取值范围为[-1, 1]，值越大表示图像越相似。SSIM考虑了亮度、对比度和结构信息，是一种更符合人眼视觉感知的相似度衡量方法。

以下是使用SSIM判断两个图片相似度的步骤：

1、读取图像并进行预处理

首先，使用OpenCV读取图像并将其转换为灰度图像，因为SSIM通常在灰度图像上计算。

import cv2
from skimage.metrics import structural_similarity as ssim
读取图像
imageA = cv2.imread('image1.jpg')
imageB = cv2.imread('image2.jpg')
转换为灰度图像
grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)

2、计算SSIM

使用ssim函数计算两个灰度图像之间的结构相似度。

# 计算SSIM
(score, diff) = ssim(grayA, grayB, full=True)
print("SSIM: {}".format(score))

3、解释结果

SSIM的结果范围在[-1, 1]之间，值越接近1表示图像越相似。通常，SSIM值大于0.9可以认为两幅图像非常相似。

三、其他方法

除了SSIM，还有其他一些方法可以用来判断图像的相似度，如直方图比较和感知哈希算法。这些方法也有其独特的优势和适用场景。

1、直方图比较

直方图比较是通过比较图像的颜色分布来判断图像相似度的。OpenCV提供了多种直方图比较方法，如巴氏距离、卡方距离、相关性和交叉相关性等。

# 计算直方图
histA = cv2.calcHist([imageA], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
histB = cv2.calcHist([imageB], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
归一化直方图
cv2.normalize(histA, histA)
cv2.normalize(histB, histB)
计算直方图比较结果
similarity = cv2.compareHist(histA, histB, cv2.HISTCMP_CORREL)
print("Histogram similarity: {}".format(similarity))

直方图比较的结果范围为[0, 1]，值越大表示图像越相似。

2、感知哈希算法

感知哈希算法（Perceptual Hashing, pHash）是一种基于图像内容的哈希算法，能够捕捉图像的视觉特征。pHash可以有效地识别出图像的内容相似度，即使图像经过缩放、旋转或颜色变化等操作。

以下是使用imagehash库计算图像感知哈希值并比较相似度的代码：

from PIL import Image
import imagehash
读取图像
imageA = Image.open('image1.jpg')
imageB = Image.open('image2.jpg')
计算感知哈希值
hashA = imagehash.phash(imageA)
hashB = imagehash.phash(imageB)
计算哈希值的汉明距离
hash_diff = hashA - hashB
print("Perceptual Hash difference: {}".format(hash_diff))

感知哈希值的汉明距离越小，表示图像越相似。通常，汉明距离小于10可以认为图像非常相似。

四、综合判断

在实际应用中，可以结合多种方法来综合判断图像的相似度。例如，可以先通过直方图比较进行初步筛选，再通过SSIM和感知哈希算法进行进一步精确比较。

def are_images_similar(image1_path, image2_path, ssim_threshold=0.9, hash_diff_threshold=10):
    import cv2
    from skimage.metrics import structural_similarity as ssim
    from PIL import Image
    import imagehash
    # 读取图像
    imageA = cv2.imread(image1_path)
    imageB = cv2.imread(image2_path)
    # 转换为灰度图像
    grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
    grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)
    # 计算SSIM
    (ssim_score, _) = ssim(grayA, grayB, full=True)
    # 计算感知哈希值
    imageA_pil = Image.open(image1_path)
    imageB_pil = Image.open(image2_path)
    hashA = imagehash.phash(imageA_pil)
    hashB = imagehash.phash(imageB_pil)
    hash_diff = hashA - hashB
    # 判断相似度
    if ssim_score >= ssim_threshold and hash_diff <= hash_diff_threshold:
        return True
    else:
        return False
使用示例
similar = are_images_similar('image1.jpg', 'image2.jpg')
print("Are images similar? {}".format(similar))