利用python進行識別類似圖片（一）

文章簡介

在網上看到python作圖像識別的相關文章後，真心感受python的功能實在太強大，所以將這些文章總結一下，創建一下本身的知識體系。
固然了，圖像識別這個話題做爲計算機科學的一個分支，不可能就在本文簡單幾句就說清，因此本文只做基本算法的科普向。

若有錯誤，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用做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,但因爲PIL很早就停了，因此不支持python3.x,因此建議使用基於PIL的pillow,本文也是在python3.4和pillow的環境下進行實驗。

pillow下載地址
PIL的下載地址
openCV的官網

至於opencv，在作人臉識別的時候會用到，但本文不會涉及到，在本專欄的後續中會談及openCV的人臉識別和基於此的python圖片爬蟲，有興趣的朋友能夠關注本專欄。

相關背景

要識別兩張類似圖像，咱們從感性上來談是怎麼樣的一個過程？首先咱們會區分這兩張相片的類型，例如是風景照，仍是人物照。風景照中，是沙漠仍是海洋，人物照中，兩我的是否是都是國字臉，仍是瓜子臉（仍是倒瓜子臉……哈哈……）。

那麼從機器的角度來講也是這樣的，先識別圖像的特徵，而後再相比。

很顯然，在沒有通過訓練的計算機(即創建模型)，那麼計算機很難區分什麼是海洋，什麼是沙漠。可是計算機很容易識別到圖像的像素值。

所以，在圖像識別中，顏色特徵是最爲經常使用的。（其他經常使用的特徵還有紋理特徵、形狀特徵和空間關係特徵等）

其中又分爲

• 直方圖

• 顏色集

• 顏色矩

• 聚合向量

• 相關圖

直方圖計算法

這裏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類似的了。

在python中能夠依靠Image對象的histogram()方法獲取其直方圖數據，但這個方法返回的結果是一個列表，若是想獲得下圖可視化數據，須要另外使用 matplotlib，這裏由於主要介紹算法思路，matplotlib的使用這裏不作介紹。

是的，咱們能夠明顯的發現，兩張圖片的直方圖是近似重合的。因此利用直方圖判斷兩張圖片的是否類似的方法就是，計算其直方圖的重合程度便可。

計算方法以下：

其中gi和si是分別指兩條曲線的第i個點。

最後計算得出的結果就是就是其類似程度。

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佈來看的，沒法描述顏色的局部分佈和色彩所處的位置。

也就是假如一張圖片以藍色爲主，內容是一片藍天，而另一張圖片也是藍色爲主，可是內容倒是妹子穿了藍色裙子，那麼這個算法也極可能認爲這兩張圖片的類似的。

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，而後再分別計算其類似度，最後綜合考慮。

圖像指紋與漢明距離

在介紹下面其餘判別類似度的方法前，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同樣，是身份的象徵，而圖像指紋簡單點來說，就是將圖像按照必定的哈希算法，通過運算後得出的一組二進制數字。

說到這裏，就能夠順帶引出漢明距離的概念了。

假如一組二進制數據爲101，另一組爲111，那麼顯然把第一組的第二位數據0改爲1就能夠變成第二組數據111，因此兩組數據的漢明距離就爲1

簡單點說，漢明距離就是一組二進制數據變成另外一組數據所需的步驟數，顯然，這個數值能夠衡量兩張圖片的差別，漢明距離越小，則表明類似度越高。漢明距離爲0，即表明兩張圖片徹底同樣。

如何計算獲得漢明距離，請看下面三種哈希算法

平均哈希法(aHash)

此算法是基於比較灰度圖每一個像素與平均值來實現的

通常步驟

• 1.縮放圖片，可利用Image對象的resize(size)改變，通常大小爲8*8，64個像素值。

• 2.轉化爲灰度圖
  轉灰度圖的算法。

  • 1.浮點算法：Gray=Rx0.3+Gx0.59+Bx0.11

  • 2.整數方法：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')直接轉換爲灰度圖

• 3.計算平均值：計算進行灰度處理後圖片的全部像素點的平均值。

• 4.比較像素灰度值：遍歷灰度圖片每個像素，若是大於平均值記錄爲1，不然爲0.

• 5.獲得信息指紋：組合64個bit位，順序隨意保持一致性。

最後比對兩張圖片的指紋，得到漢明距離便可。

感知哈希算法(pHash)

平均哈希算法過於嚴格，不夠精確，更適合搜索縮略圖，爲了得到更精確的結果能夠選擇感知哈希算法，它採用的是DCT（離散餘弦變換）來下降頻率的方法

通常步驟：

• 縮小圖片：32 * 32是一個較好的大小，這樣方便DCT計算

• 轉化爲灰度圖：把縮放後的圖片轉化爲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計算後的矩陣是32 * 32，保留左上角的8 * 8，這些表明的圖片的最低頻率

• 計算平均值：計算縮小DCT後的全部像素點的平均值。

• 進一步減少DCT：大於平均值記錄爲1，反之記錄爲0.

• 獲得信息指紋：組合64個信息位，順序隨意保持一致性。

最後比對兩張圖片的指紋，得到漢明距離便可。

這裏給出別人的DCT的介紹和計算方法(離散餘弦變換的方法)

DCT的維基百科
luoweifu的博客

dHash算法

相比pHash，dHash的速度要快的多，相比aHash，dHash在效率幾乎相同的狀況下的效果要更好，它是基於漸變實現的。

步驟：

• 縮小圖片：收縮到9*8的大小，以便它有72的像素點

• 轉化爲灰度圖：把縮放後的圖片轉化爲256階的灰度圖。（具體算法見平均哈希算法步驟）

• 計算差別值：dHash算法工做在相鄰像素之間，這樣每行9個像素之間產生了8個不一樣的差別，一共8行，則產生了64個差別值

• 得到指紋：若是左邊的像素比右邊的更亮，則記錄爲1，不然爲0.
  最後比對兩張圖片的指紋，得到漢明距離便可。

總結

這幾種算法是識別類似圖像的基礎，顯然，有時兩圖中的人類似比總體的顏色類似更重要，因此咱們有時須要進行人臉識別，
而後在臉部區進行局部哈希，或者進行其餘的預處理再進行哈希，這裏涉及其餘知識本文不做介紹。

下一次將講述利用opencv和以訓練好的模型來進行人臉識別。

本文算法的實如今下面，點一下下面的鏈接就好

個人github倉庫

各位親，走過路過給一個star鼓勵一下唄，固然也歡迎提意見。

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進行識別類似圖片（二）