Как я могу оценить разницу между двумя изображениями?

простое решение:

закодировать изображение как в формате JPEG и ищите существенное изменение в размер.

я реализовал что-то подобное с эскизами видео и имел большой успех и масштабируемость.

Вы можете сравнить два изображения с помощью функции PIL.

import Image
import ImageChops

im1 = Image.open("splash.png")
im2 = Image.open("splash2.png")

diff = ImageChops.difference(im2, im1)

объект diff-это изображение, в котором каждый пиксель является результатом вычитания значений цвета этого пикселя во втором изображении из первого изображения. Используя изображение diff, вы можете сделать несколько вещей. Самый простой из них -

два популярных и относительно простых метода: (a) евклидово расстояние, уже предложенное, или (b) нормализованная кросс-корреляция. Нормализованная кросс-корреляция имеет тенденцию быть заметно более устойчивой к изменениям освещения, чем простая кросс-корреляция. Википедия дает формулу для нормализованной кросс-корреляции. Существуют и более сложные методы, но они требуют гораздо большей работы.

используя numpy-подобный синтаксис,

dist_euclidean = sqrt(sum((i1 - i2)^2)) / i1.size

dist_manhattan = sum(abs(i1 - i2)) / i1.size

dist_ncc = sum( (i1 - mean(i1)) * (i2 - mean(i2)) ) / (
  (i1.size - 1) * stdev(i1) * stdev(i2) )

предполагая, что i1 и i2 в 2D массивов на полутоновом изображении.

тривиальная вещь, чтобы попробовать:

повторно сравните оба изображения с небольшими эскизами (например, 64 x 64) и сравните миниатюры пиксель за пикселем с определенным порогом. Если исходные изображения почти одинаковы, пересчитанные эскизы будут очень похожи или даже точно такими же. Этот метод заботится о шуме, который может возникнуть, особенно в условиях низкой освещенности. Возможно, будет даже лучше, если вы перейдете в оттенки серого.

Я обращаюсь конкретно к вопросу о том, как вычислить, являются ли они "достаточно разными". Я предполагаю, что вы можете выяснить, как вычесть пиксели один за другим.

во-первых, я бы взял кучу картинок с ничего изменение, и узнать максимальную сумму, что любой пиксель изменяется только из-за изменений в захвате, шум в системе формирования изображений, артефакты сжатия JPEG, и от момента к моменту изменения освещения. Возможно, вы найдете, что 1 или 2 бит различия следует ожидать даже тогда, когда ничто не движется.

тогда для" реального " теста вам нужен такой критерий:

• то же самое, если до p пикселей отличаются не более чем E.

Итак, возможно, если E = 0.02, P = 1000, это будет означать (приблизительно), что он будет "другим", если какой-либо один пиксель изменится более чем на ~5 единиц (предполагая 8-битные изображения), или если более 1000 пикселей будут иметь какие-либо ошибки вообще.

это предназначено главным образом как хорошая "сортировка" техника для быстрого выявления изображений, которые достаточно близки, чтобы не нуждаться в дальнейшем рассмотрении. Изображения, которые "терпят неудачу", могут быть более сложными/дорогими, которые не имели бы ложных срабатываний, если бы камера, например, немного дрожала или была более устойчивой к изменениям освещения.

Я запускаю проект с открытым исходным кодом, OpenImageIO, который содержит утилиту под названием "idiff", которая сравнивает различия с такими порогами (еще более сложными, фактически.) Даже если вы не хотите использовать это программное обеспечение, вы можете посмотреть на источник, чтобы увидеть, как мы это сделали. Он используется коммерчески довольно много, и этот метод порога был разработан, чтобы мы могли иметь тестовый набор для рендеринга и обработки изображений с "эталонными изображениями", которые могут иметь небольшие отличия от платформы к платформе или как мы сделали незначительные настройки алгоритмов tha, поэтому мы хотели операцию "совпадение в пределах допуска".

большинство ответов не будет иметь дело с уровнями освещения.

Я бы сначала нормализовал изображение до стандартного уровня освещенности, прежде чем делать сравнение.

видели алгоритм поиска похожих изображений вопрос? Проверьте это, чтобы увидеть предложения.

Я бы предложил вейвлет-преобразование ваших кадров (я написал расширение C для этого, используя преобразование Хаара); затем, сравнивая индексы самых больших (пропорционально) вейвлет-факторов между двумя изображениями, вы должны получить численное приближение подобия.

У меня была аналогичная проблема на работе, я переписывал нашу конечную точку преобразования изображений, и я хотел проверить, что новая версия производит тот же или почти тот же результат, что и старая версия. Вот что я написал:--1-->

https://github.com/nicolashahn/diffimg

который работает на изображениях одинакового размера и на уровне пикселя, измеряет разницу в значениях на каждом канале: R, G, B (, A), принимает среднюю разницу этих каналов, а затем усредняет разницу по всем пикселям и возвращает отношение.

например, с изображением 10x10 белых пикселей и тем же изображением, но один пиксель изменился на красный, разница в этом пикселе составляет 1/3 или 0,33... (RGB 0,0,0 против 255,0,0) и на всех других пикселях 0. Со 100 пикселов всего, 0.33.../ 100 = a ~0,33% разница в изображении.

Я считаю, что это будет отлично работать для проекта OP (я понимаю, что это очень старый пост сейчас, но публикация для будущих StackOverflowers кто также хочет сравнить изображения в python).

Я извиняюсь, если слишком поздно отвечать, но поскольку я делал что-то подобное, я думал, что смогу как-то помочь.

возможно, с OpenCV вы можете использовать сопоставление шаблонов. Предполагая, что вы используете веб-камеру, как вы сказали:

1. упростить изображения (возможно, порог?)
2. применить соответствие шаблонов и проверить max_val с minMaxLoc

Совет: max_val (или min_val в зависимости от используемого метода) даст вам число, большое количество. Чтобы получить разницу в процентах, используйте шаблон, соответствующий тому же изображению-результат будет вашим 100%.

псевдо-код для примера:

previous_screenshot = ...
current_screenshot = ...

# simplify both images somehow

# get the 100% corresponding value
res = matchTemplate(previous_screenshot, previous_screenshot, TM_CCOEFF)
_, hundred_p_val, _, _ = minMaxLoc(res)

# hundred_p_val is now the 100%

res = matchTemplate(previous_screenshot, current_screenshot, TM_CCOEFF)
_, max_val, _, _ = minMaxLoc(res)

difference_percentage = max_val / hundred_p_val

# the tolerance is now up to you

надеюсь, что это помогает.

расстояние движителей Земли может быть именно то, что вам нужно. Это может быть abit тяжелый для реализации в режиме реального времени.

Как насчет вычисления Расстояние Манхэттен из двух изображений. Это дает вам n * n значений. Затем вы можете сделать что-то вроде среднего значения строки, чтобы уменьшить до n значений, и функцию над этим, чтобы получить одно единственное значение.

Мне очень повезло с jpg-изображениями, сделанными с той же камерой на штативе (1) значительно упрощение (например, от 3000 пикселей в ширину до 100 пикселей в ширину или даже меньше) (2) сплющивание каждого массива jpg в один вектор (3) попарная корреляция последовательных изображений с помощью простого алгоритма корреляции для получения коэффициента корреляции (4) коэффициент квадратной корреляции для получения R-Квадрата (i.e доля изменчивости на одном изображении, объясняемая изменением на следующем) (5) в целом в моем приложении, если r-квадрат

Это надежно и быстро в моей реализации (Mathematica 7)

стоит поиграть с той частью изображения, которая вас интересует, и сосредоточиться на этом, обрезав все изображения в эту небольшую область, иначе будет пропущено далекое от камеры, но важное изменение.

Я не знаю, как использовать Python, но уверен, что он делает корреляции тоже нет?

вы можете вычислить гистограмму обоих изображений, а затем вычислить Коэффициент Бхаттачариа, это очень быстрый алгоритм, и я использовал его для обнаружения изменений выстрела в видео крикета (в C с помощью openCV)

проверьте, как вейвлеты Хаара реализуются isk-daemon. Вы можете использовать код imgdb C++ для вычисления разницы между изображениями на лету:

isk-daemon-это сервер баз данных с открытым исходным кодом, способный добавлять контент (визуальный) поиск изображений на любой веб-сайт или программное обеспечение, связанное с изображением.

эта технология позволяет пользователям любого веб-сайта или программного обеспечения, связанного с изображением, рисовать на виджете, какое изображение они хотят найти и иметь веб-сайт отвечает на них самые похожие изображения или просто запрашивает более похожие фотографии на каждой странице деталей изображения.

У меня была та же проблема, и я написал простой модуль python, который сравнивает два изображения одинакового размера с помощью ImageChops подушки для создания черно-белого изображения diff и суммирует значения гистограммы.

вы можете получить либо этот балл напрямую, либо процентное значение по сравнению с полным черным против белого различия.

Он также содержит простую функцию is_equal, с возможностью предоставления нечеткого порога под (и включая) изображение проходит как равное.

в подход не очень сложный, но, возможно, полезен для других, борющихся с той же проблемой.

https://pypi.python.org/pypi/imgcompare/

несколько более принципиальным подходом является использование глобального дескриптора для сравнения изображений, таких как GIST или CENTRIST. Хэш-функция, как описано здесь, также предоставляет аналогичное решение.

еще один хороший, простой способ измерить сходство между двумя изображениями:

import sys
from skimage.measure import compare_ssim
from skimage.transform import resize
from scipy.ndimage import imread

# get two images - resize both to 1024 x 1024
img_a = resize(imread(sys.argv[1]), (2**10, 2**10))
img_b = resize(imread(sys.argv[2]), (2**10, 2**10))

# score: {-1:1} measure of the structural similarity between the images
score, diff = compare_ssim(img_a, img_b, full=True)
print(score)

если другие заинтересованы в более мощном способе сравнения сходства изображений, я собрал учебник и web app для измерения и визуализации подобных изображений с помощью Tensorflow.

import os
from PIL import Image
from PIL import ImageFile
import imagehash

#just use to the size diferent picture
def compare_image(img_file1, img_file2):
    if img_file1 == img_file2:
        return True
    fp1 = open(img_file1, 'rb')
    fp2 = open(img_file2, 'rb')

    img1 = Image.open(fp1)
    img2 = Image.open(fp2)

    ImageFile.LOAD_TRUNCATED_IMAGES = True
    b = img1 == img2

    fp1.close()
    fp2.close()

    return b





#through picturu hash to compare
def get_hash_dict(dir):
    hash_dict = {}
    image_quantity = 0
    for _, _, files in os.walk(dir):
        for i, fileName in enumerate(files):
            with open(dir + fileName, 'rb') as fp:
                hash_dict[dir + fileName] = imagehash.average_hash(Image.open(fp))
                image_quantity += 1

    return hash_dict, image_quantity

def compare_image_with_hash(image_file_name_1, image_file_name_2, max_dif=0):
    """
    max_dif: The maximum hash difference is allowed, the smaller and more accurate, the minimum is 0.
    recommend to use
    """
    ImageFile.LOAD_TRUNCATED_IMAGES = True
    hash_1 = None
    hash_2 = None
    with open(image_file_name_1, 'rb') as fp:
        hash_1 = imagehash.average_hash(Image.open(fp))
    with open(image_file_name_2, 'rb') as fp:
        hash_2 = imagehash.average_hash(Image.open(fp))
    dif = hash_1 - hash_2
    if dif < 0:
        dif = -dif
    if dif <= max_dif:
        return True
    else:
        return False


def compare_image_dir_with_hash(dir_1, dir_2, max_dif=0):
    """
    max_dif: The maximum hash difference is allowed, the smaller and more accurate, the minimum is 0.

    """
    ImageFile.LOAD_TRUNCATED_IMAGES = True
    hash_dict_1, image_quantity_1 = get_hash_dict(dir_1)
    hash_dict_2, image_quantity_2 = get_hash_dict(dir_2)

    if image_quantity_1 > image_quantity_2:
        tmp = image_quantity_1
        image_quantity_1 = image_quantity_2
        image_quantity_2 = tmp

        tmp = hash_dict_1
        hash_dict_1 = hash_dict_2
        hash_dict_2 = tmp

    result_dict = {}

    for k in hash_dict_1.keys():
        result_dict[k] = None

    for dif_i in range(0, max_dif + 1):
        have_none = False

        for k_1 in result_dict.keys():
            if result_dict.get(k_1) is None:
                have_none = True

        if not have_none:
            return result_dict

        for k_1, v_1 in hash_dict_1.items():
            for k_2, v_2 in hash_dict_2.items():
                sub = (v_1 - v_2)
                if sub < 0:
                    sub = -sub
                if sub == dif_i and result_dict.get(k_1) is None:
                    result_dict[k_1] = k_2
                    break
    return result_dict


def main():
    print(compare_image('image1\815.jpg', 'image2\5.jpg'))
    print(compare_image_with_hash('image1\815.jpg', 'image2\5.jpg', 6))
    r = compare_image_dir_with_hash('image1\', image2\', 10)
    for k in r.keys():
        print(k, r.get(k))


if __name__ == '__main__':
    main()

• выход:

  False
  Правда
  \рис2 5.рис1 формате JPG\815.формат JPG
  \рис2 6.рис1 формате JPG\819.формат JPG
  \рис2 7.рис1\JPG и 900.формат JPG
  \рис2 8.рис1\jpg-файла 998.формат JPG
  \рис2 9.рис1\JPG и 1012.формат JPG
  
  

• пример фотографии:

  • 815.формат jpg
    

  • 5.формат jpg
    

Я думаю, вы могли бы просто вычислить евклидово расстояние (т. е. sqrt(сумма квадратов различий, пиксель за пикселем)) между яркостью двух изображений и считать их равными, если это попадает под некоторый эмпирический порог. И вам лучше сделать это, обернув функцию C.