Prosta i szybka metoda porównywania obrazów pod kątem podobieństwa

Spotykam się ostatnio z tymi samymi problemami, aby rozwiązać ten problem (prosty i szybki algorytm porównujący dwa obrazy) raz na zawsze, dodaję moduł img_hashdo opencv_contrib, szczegóły znajdziesz z ten link.

Moduł Img_hash zapewnia sześć algorytmów hashowania obrazów, dość łatwych w użyciu.

Przykład kodów

pochodzenie lena

blur lena

Zmień rozmiar lena

shift Lena

#include <opencv2/core.hpp>
#include <opencv2/core/ocl.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/img_hash.hpp>
#include <opencv2/imgproc.hpp>

#include <iostream>

void compute(cv::Ptr<cv::img_hash::ImgHashBase> algo)
{
    auto input = cv::imread("lena.png");
    cv::Mat similar_img;

    //detect similiar image after blur attack
    cv::GaussianBlur(input, similar_img, {7,7}, 2, 2);
    cv::imwrite("lena_blur.png", similar_img);
    cv::Mat hash_input, hash_similar;
    algo->compute(input, hash_input);
    algo->compute(similar_img, hash_similar);
    std::cout<<"gaussian blur attack : "<<
               algo->compare(hash_input, hash_similar)<<std::endl;

    //detect similar image after shift attack
    similar_img.setTo(0);
    input(cv::Rect(0,10, input.cols,input.rows-10)).
            copyTo(similar_img(cv::Rect(0,0,input.cols,input.rows-10)));
    cv::imwrite("lena_shift.png", similar_img);
    algo->compute(similar_img, hash_similar);
    std::cout<<"shift attack : "<<
               algo->compare(hash_input, hash_similar)<<std::endl;

    //detect similar image after resize
    cv::resize(input, similar_img, {120, 40});
    cv::imwrite("lena_resize.png", similar_img);
    algo->compute(similar_img, hash_similar);
    std::cout<<"resize attack : "<<
               algo->compare(hash_input, hash_similar)<<std::endl;
}

int main()
{
    using namespace cv::img_hash;

    //disable opencl acceleration may(or may not) boost up speed of img_hash
    cv::ocl::setUseOpenCL(false);

    //if the value after compare <= 8, that means the images
    //very similar to each other
    compute(ColorMomentHash::create());

    //there are other algorithms you can try out
    //every algorithms have their pros and cons
    compute(AverageHash::create());
    compute(PHash::create());
    compute(MarrHildrethHash::create());
    compute(RadialVarianceHash::create());
    //BlockMeanHash support mode 0 and mode 1, they associate to
    //mode 1 and mode 2 of PHash library
    compute(BlockMeanHash::create(0));
    compute(BlockMeanHash::create(1));
}

W tym przypadku ColorMomentHash daje nam najlepszy wynik

• gaussian blur attack : 0.567521
• shift attack: 0.229728
• resize attack : 0.229358

Plusy i minusy każdego algorytmu

Wydajność img_hash też jest dobra

Porównanie prędkości z biblioteką PHash (100 zdjęć z ukbench)

Jeśli chcesz poznać zalecane progi dla tych algorytmów, sprawdź ten post ( http://qtandopencv.blogspot.my/2016/06/introduction-to-image-hash-module-of.html ). Jeśli interesuje Cię jak mierzyć wydajność modułów img_hash( wliczając szybkość i różne ataki), sprawdź to link(http://qtandopencv.blogspot.my/2016/06/speed-up-image-hashing-of-opencvimghash.html).

Czy zrzut ekranu zawiera tylko ikonę? Jeśli tak, Odległość L2 obu obrazów może wystarczyć. Jeśli odległość L2 nie działa, następnym krokiem jest wypróbowanie czegoś prostego i dobrze ugruntowanego, na przykład: Lucas-Kanade . Który na pewno jest dostępny w OpenCV.

Jeśli możesz być pewien precyzyjnego wyrównania szablonu (ikony) do obszaru testowania, wtedy każda stara suma różnic w pikselach będzie działać.

Jeśli wyrównanie będzie tylko trochę wyłączone, możesz przejść oba obrazy za pomocą CV::GaussianBlur przed znalezieniem sumy różnic w pikselach.

Jeśli jakość wyrównania jest potencjalnie słaba, polecam albo Histogram zorientowanych gradientów lub jeden z wygodnych OpenCV algorytmy detekcji/deskryptora punktów kluczowych (takie jak SIFT lub SURF).

Jeśli chcesz uzyskać indeks o podobieństwie dwóch zdjęć, proponuję ci z metryki indeks SSIM. Jest bardziej zgodny z ludzkim okiem. Oto artykuł na ten temat: Wskaźnik podobieństwa strukturalnego

Jeśli dla dopasowania identycznych obrazów-kod Dla odległości L2

// Compare two images by getting the L2 error (square-root of sum of squared error).
double getSimilarity( const Mat A, const Mat B ) {
if ( A.rows > 0 && A.rows == B.rows && A.cols > 0 && A.cols == B.cols ) {
    // Calculate the L2 relative error between images.
    double errorL2 = norm( A, B, CV_L2 );
    // Convert to a reasonable scale, since L2 error is summed across all pixels of the image.
    double similarity = errorL2 / (double)( A.rows * A.cols );
    return similarity;
}
else {
    //Images have a different size
    return 100000000.0;  // Return a bad value
}

Jeśli chcesz porównać obraz pod kątem podobieństwa, proponuję użyć OpenCV. W OpenCV istnieje niewiele dopasowania funkcji i dopasowania szablonów. W celu dopasowania funkcji są wykrywacze surfowania, przesiewania, szybkiego i tak dalej. Można tego użyć do wykrycia, opisania, a następnie dopasowania obrazu. Następnie możesz użyć określonego indeksu, aby znaleźć liczbę dopasowań między dwoma obrazami.