如何判断两个图片相同的python

判断两个图片是否相同的Python方法包括：哈希比较、像素比较、直方图比较、特征点匹配。其中，哈希比较是一种常见且高效的方式，它通过将图像转换为哈希值来进行比较。接下来我们将详细介绍这些方法，并提供示例代码来说明如何使用这些方法进行图片相似度判断。

一、哈希比较

哈希比较是一种常用的图片相似度判断方法，通过将图片转换成哈希值，然后比较这两个哈希值的相似度来判断图片是否相同。常见的哈希算法包括感知哈希（Perceptual Hash）、差异哈希（Difference Hash）、平均哈希（Average Hash）等。

1、感知哈希（Perceptual Hash）

感知哈希通过对图像内容进行分析，提取其特征，生成一个固定长度的二进制字符串。即使图像有些许改变，感知哈希生成的字符串也会保持相似。

from PIL import Image
import imagehash
def perceptual_hash(image_path):
    img = Image.open(image_path)
    hash = imagehash.phash(img)
    return hash
def are_images_similar(image_path1, image_path2, threshold=5):
    hash1 = perceptual_hash(image_path1)
    hash2 = perceptual_hash(image_path2)
    return hash1 - hash2 < threshold
image1 = 'image1.jpg'
image2 = 'image2.jpg'
print(are_images_similar(image1, image2))

2、差异哈希（Difference Hash）

差异哈希通过比较相邻像素的灰度值差异来生成哈希值，具有较高的抗噪能力。

def difference_hash(image_path):
    img = Image.open(image_path)
    hash = imagehash.dhash(img)
    return hash
def are_images_similar(image_path1, image_path2, threshold=5):
    hash1 = difference_hash(image_path1)
    hash2 = difference_hash(image_path2)
    return hash1 - hash2 < threshold
print(are_images_similar(image1, image2))

3、平均哈希（Average Hash）

平均哈希通过将图像缩小并转换为灰度图，然后计算平均灰度值，并根据灰度值生成哈希值。

def average_hash(image_path):
    img = Image.open(image_path)
    hash = imagehash.average_hash(img)
    return hash
def are_images_similar(image_path1, image_path2, threshold=5):
    hash1 = average_hash(image_path1)
    hash2 = average_hash(image_path2)
    return hash1 - hash2 < threshold
print(are_images_similar(image1, image2))

二、像素比较

像素比较是最直接的图片相似度判断方法，通过逐像素比较两张图片的像素值来判断它们是否相同。这种方法适用于完全相同的图片比较。

1、逐像素比较

from PIL import Image
import numpy as np
def pixel_compare(image_path1, image_path2):
    img1 = Image.open(image_path1)
    img2 = Image.open(image_path2)
    if img1.size != img2.size:
        return False
    pixels1 = np.array(img1)
    pixels2 = np.array(img2)
    return np.array_equal(pixels1, pixels2)
print(pixel_compare(image1, image2))

2、计算均方误差（MSE）

均方误差是另一种常用的像素比较方法，通过计算两张图片对应像素值的均方误差来判断相似度。

def mse(image_path1, image_path2):
    img1 = Image.open(image_path1).convert('L')
    img2 = Image.open(image_path2).convert('L')
    pixels1 = np.array(img1)
    pixels2 = np.array(img2)
    err = np.sum((pixels1 - pixels2)  2)
    err /= float(pixels1.shape[0] * pixels1.shape[1])
    return err
def are_images_similar(image_path1, image_path2, threshold=1000):
    error = mse(image_path1, image_path2)
    return error < threshold
print(are_images_similar(image1, image2))

三、直方图比较

直方图比较通过比较两张图片的颜色直方图来判断相似度。这种方法适用于色彩分布相似的图片比较。

1、直方图相似度计算

def histogram_compare(image_path1, image_path2):
    img1 = Image.open(image_path1).convert('RGB')
    img2 = Image.open(image_path2).convert('RGB')
    hist1 = img1.histogram()
    hist2 = img2.histogram()
    return sum(1 - (0 if l == r else float(abs(l - r)) / max(l, r)) for l, r in zip(hist1, hist2)) / len(hist1)
def are_images_similar(image_path1, image_path2, threshold=0.99):
    similarity = histogram_compare(image_path1, image_path2)
    return similarity > threshold
print(are_images_similar(image1, image2))

四、特征点匹配

特征点匹配通过提取图片中的特征点，然后比较特征点的匹配情况来判断图片相似度。这种方法适用于图像内容相似但存在变形、旋转等情况的比较。

1、ORB特征点匹配

import cv2
def orb_feature_matching(image_path1, image_path2, threshold=10):
    img1 = cv2.imread(image_path1, 0)
    img2 = cv2.imread(image_path2, 0)
    orb = cv2.ORB_create()
    kp1, des1 = orb.detectAndCompute(img1, None)
    kp2, des2 = orb.detectAndCompute(img2, None)
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = bf.match(des1, des2)
    matches = sorted(matches, key = lambda x:x.distance)
    return len(matches) > threshold
print(orb_feature_matching(image1, image2))

2、SIFT特征点匹配

def sift_feature_matching(image_path1, image_path2, threshold=10):
    img1 = cv2.imread(image_path1, 0)
    img2 = cv2.imread(image_path2, 0)
    sift = cv2.SIFT_create()
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)
    bf = cv2.BFMatcher()
    matches = bf.knnMatch(des1, des2, k=2)
    good_matches = [m for m, n in matches if m.distance < 0.75 * n.distance]
    return len(good_matches) > threshold
print(sift_feature_matching(image1, image2))

通过以上几种方法，我们可以根据不同的需求选择合适的图片相似度判断方法。哈希比较适用于快速判断图片相似度，像素比较适用于完全相同的图片比较，直方图比较适用于色彩分布相似的图片比较，特征点匹配适用于图像内容相似但存在变形、旋转等情况的比较。结合这些方法，我们可以更准确地判断两张图片是否相同。