背景
最近從不一樣網站下載了很是多的動漫壁紙，其中有一些內容相同，可是大小、背景顏色、色調、主人公的位置不一樣（例子以下）。正由於如此，基礎的均方偏差、直方圖檢測等方法很難識別出這些類似的圖片。python
思路
OpenCV中有不少用來對特徵點進行檢測和計算的函數，這些函數可以利用像素點及其周圍的灰度檢測其是不是圖像中的特徵點，並計算出它的信息，好比ORB、SIFT、SURF、AKANA。同時OpenCV還有一些利用特徵點的信息對特徵點進行匹配的算法，好比BF、FLANN。咱們能夠先把參與匹配的每一個圖片的特徵點和信息計算出來，而後對圖片兩兩進行特徵點匹配，若是兩幅圖片匹配上的特徵點數量超過一個定值，即認爲這兩個圖片類似。這種方法由於是直接對圖像的特徵進行考慮，所以對於大小、色調、主人公的位置不一樣的類似圖片也能很好的匹配。算法
對於特徵點檢測，這些算法分爲兩類，一類輸出的特徵點信息是二進制串，包括ORB、AKANA等，一類輸出的特徵點信息是浮點數，包括SIFT、SURF，可是SIFT和SURF這兩個算法是有專利的，商用要付錢，因此OpenCV把它們放進了Contrib擴展包裏面，若是你用的是python版的OpenCV，必須下載3.4.2.16版本的opencv-contrib-python才能用OpenCV裏的SIFT和SURF函數。我用的是C++版本的OpenCV，你須要下載OpenCV的源碼和OpenCV-contrib擴展包而後本身編譯，很麻煩，因此我選擇的是ORB。對於特徵點匹配，FLANN不論效率仍是效果都比BF好不少（固然也有多是我BF沒用對），可是網上不少教程（包括OpenCV本身的文檔）都是ORB配BF，SIFT配FLANN，StackOverflow也有人問ORB怎麼搭配FLANN使用，有的回答直接說特徵點信息是整數的算法不能搭配FLANN，但幸虧這個問題下的另外一我的給出了FLANN搭配ORB時的參數，（https://stackoverflow.com/questions/43830849/opencv-use-flann-with-orb-descriptors-to-match-features）這也說明了這個問題仍是被不少人忽視的，畢竟當今世界是深度學習的天下，不多人去關注這些傳統算法了。函數
這個程序效率比較低，須要進行一些優化。首先咱們用於求特徵點和匹配的圖片應該是原圖的灰度圖通過縮小後的版本，同時注意這個操做不要用cv::resize完成，否則會慢不少，直接在imread的時候指定第二個參數爲cv::IMREAD_REDUCE_COLOR_4能夠在讀入圖片的同時縮小。固然，瓶頸仍是在那個兩兩匹配的二重循環裏，爲了減小FLANN的操做，我先預處理出圖像各個通道的平均值，用這個值來大體表示這個圖像的色調，在二重循環中，若是兩個圖片的平均值相差太大（我設置的是60），就認爲它們不類似，不進行特徵點匹配，固然這樣會致使多出很多漏網之魚，不過實踐證實這樣作大部分類似的圖片仍是不會被篩掉的，並且速度也提升了不少。學習
代碼
1 #include <io.h> 2 #include <ctime> 3 #include <vector> 4 #include <opencv2/opencv.hpp> 5 6 bool judge(cv::Scalar &a, cv::Scalar &b, int num) { 7 return std::abs(a[0] - b[0]) < num && std::abs(a[1] - b[1]) < num && std::abs(a[2] - b[2]) < num; 8 } 9 10 int main() { 11 12 clock_t start = clock(); //計時開始 13 std::vector <cv::String> filelist; 14 typedef std::tuple <cv::String, cv::String, int> data; 15 std::vector <std::vector <cv::KeyPoint>> kplist; 16 std::vector <cv::Mat> deslist; 17 std::vector <cv::Scalar> averagebgr; 18 std::vector <data> same; 19 20 _finddata_t fd; 21 intptr_t pf = _findfirst("D:/image/*.??g", &fd); filelist.push_back(cv::String("D:/宋奕欣/") + fd.name); 22 while (!_findnext(pf, &fd)) filelist.push_back(cv::String("D:/image/") + fd.name); 23 _findclose(pf); //列舉出圖片，這裏用的是io.h裏的_findfirst和_findnext，通配符.??g篩選出.jpg和.png的文件 24 25 cv::Ptr <cv::ORB> orb = cv::ORB::create(); 26 for (auto i : filelist) { 27 cv::Mat imgo = cv::imread(i, cv::IMREAD_REDUCED_COLOR_4); 28 averagebgr.push_back(cv::mean(imgo)); //求各通道平均值 29 cv::Mat img; cv::cvtColor(imgo, img, cv::COLOR_BGR2GRAY); 30 std::vector<cv::KeyPoint> kp; cv::Mat des; //kp是特徵點，des是特徵點的信息 31 orb->detectAndCompute(img, cv::Mat(), kp, des); 32 kplist.push_back(kp); 33 deslist.push_back(des); 34 } 35 36 std::cout << "Successfully found keypoints." << std::endl; 37 38 39 cv::FlannBasedMatcher flann(cv::makePtr<cv::flann::LshIndexParams>(12, 20, 2)); //這個cv::makePtr<cv::flann::LshIndexParams>(12, 20, 2)就是使FLANN能搭配ORB的參數，默認構造函數指定的是隨機KD樹算法，只能用於SIFT和SURF 40 for (int i = 0; i < filelist.size(); i++) 41 for (int j = i + 1; j < filelist.size(); j++) { 42 43 if (!judge(averagebgr[i], averagebgr[j], 60)) continue; 44 45 std::vector<cv::KeyPoint> kpl, kps; cv::Mat desl, dess; 46 kpl = kplist[i]; desl = deslist[i]; 47 kps = kplist[j]; dess = deslist[j]; 48 49 std::vector <std::vector <cv::DMatch> > matches; flann.knnMatch(dess, desl, matches, 2); 50 std::vector <cv::DMatch> good; 51 for (auto k : matches) { 52 if (k.size() > 1 && k[0].distance < 0.5 * k[1].distance) good.push_back(k[0]); //knnMatch的k=2時，每一個Dmatch會返回distance最小的兩組匹配，當最小的這兩組的distance相差足夠大時，較小的那一組纔多是合法匹配 53 } 54 55 if (good.size() > 10) same.push_back(std::make_tuple(filelist[i], filelist[j], good.size())); 56 57 // cv::Mat img; cv::drawMatches(imgs, kps, imgl, kpl, good, img, cv::Scalar(0, 255, 0)); 58 // cv::imshow("img", img); cv::waitKey(); 59 } 60 61 std::sort(same.begin(), same.end(), [](data x, data y) { 62 return std::get<2>(x) > std::get<2>(y); 63 }); //把匹配的圖片按匹配的特徵點數排序 64 for (data i : same) { 65 std::cout << std::get<0>(i) << ' ' << std::get<1>(i) << ' ' << std::get<2>(i) << std::endl; 66 } 67 68 std::cout << (double)(clock() - start) / CLOCKS_PER_SEC << std::endl; 69 system("pause"); 70 return 0; 71 }