利用python进行识别相似图片（一）

文章简介

中国hadoop大数据峰会2016北京站3月18-19日在北京即将召开，现在购买门票优惠多多！！！机不可失，快快动起来！报名可以点击阅读原文

---

来自：肥兔子de碎碎语专栏（https://segmentfault.com/blog/FatRabbit）

作者：肥肥的兔子

在网上看到python做图像识别的相关文章后，真心感觉python的功能实在太强大，因此将这些文章总结一下，建立一下自己的知识体系。

当然了，图像识别这个话题作为计算机科学的一个分支，不可能就在本文简单几句就说清，所以本文只作基本算法的科普向。

如有错误，请多包涵和多多指教。

参考的文章和图片来源会在底部一一列出。

以及本篇文章所用的代码都会在底下给出github地址。

安装相关库

python用作图像处理的相关库主要有openCV(C++编写，提供了python语言的接口)，PIL,但由于PIL很早就停了，所以不支持python3.x,所以建议使用基于PIL的pillow,本文也是在python3.4和pillow的环境下进行实验。

pillow下载地址（http://https//pypi.python.org/pypi/Pillow）
PIL的下载地址（https://pypi.python.org/pypi/Pillow）
openCV的官网（http://opencv.org/）

至于opencv，在做人脸识别的时候会用到，但本文不会涉及到，在本专栏的后续中会谈及openCV的人脸识别和基于此的python图片爬虫，有兴趣的朋友可以关注本专栏。

相关背景

要识别两张相似图像，我们从感性上来谈是怎么样的一个过程？首先我们会区分这两张相片的类型，例如是风景照，还是人物照。风景照中，是沙漠还是海洋，人物照中，两个人是不是都是国字脸，还是瓜子脸（还是倒瓜子脸……哈哈……）。

那么从机器的角度来说也是这样的，先识别图像的特征，然后再相比。

很显然，在没有经过训练的计算机(即建立模型)，那么计算机很难区分什么是海洋，什么是沙漠。但是计算机很容易识别到图像的像素值。

因此，在图像识别中，颜色特征是最为常用的。（其余常用的特征还有纹理特征、形状特征和空间关系特征等）

其中又分为

• 直方图

• 颜色集

• 颜色矩

• 聚合向量

• 相关图

直方图计算法

这里先用直方图进行简单讲述。

先借用一下恋花蝶的图片，

从肉眼来看，这两张图片大概也有八成是相似的了。

在python中可以依靠Image对象的histogram()方法获取其直方图数据，但这个方法返回的结果是一个列表，如果想得到下图可视化数据，需要另外使用 matplotlib，这里因为主要介绍算法思路，matplotlib的使用这里不做介绍。

是的，我们可以明显的发现，两张图片的直方图是近似重合的。所以利用直方图判断两张图片的是否相似的方法就是，计算其直方图的重合程度即可。

计算方法如下：

[Math Processing Error]

 

其中gi和si是分别指两条曲线的第i个点。

最后计算得出的结果就是就是其相似程度。

不过，这种方法有一个明显的弱点，就是他是按照颜色的全局分布来看的，无法描述颜色的局部分布和色彩所处的位置。

也就是假如一张图片以蓝色为主，内容是一片蓝天，而另外一张图片也是蓝色为主，但是内容却是妹子穿了蓝色裙子，那么这个算法也很可能认为这两张图片的相似的。

缓解这个弱点有一个方法就是利用Image的crop方法把图片等分，然后再分别计算其相似度，最后综合考虑。

图像指纹与汉明距离

在介绍下面其他判别相似度的方法前，先补充一些概念。第一个就是图像指纹

图像指纹和人的指纹一样，是身份的象征，而图像指纹简单点来讲，就是将图像按照一定的哈希算法，经过运算后得出的一组二进制数字。

说到这里，就可以顺带引出汉明距离的概念了。

假如一组二进制数据为101，另外一组为111，那么显然把第一组的第二位数据0改成1就可以变成第二组数据111，所以两组数据的汉明距离就为1

简单点说，汉明距离就是一组二进制数据变成另一组数据所需的步骤数，显然，这个数值可以衡量两张图片的差异，汉明距离越小，则代表相似度越高。汉明距离为0，即代表两张图片完全一样。

如何计算得到汉明距离，请看下面三种哈希算法

平均哈希法(aHash)

此算法是基于比较灰度图每个像素与平均值来实现的

一般步骤

• 1.缩放图片，可利用Image对象的resize(size)改变，一般大小为8*8，64个像素值。

• 2.转化为灰度图
  转灰度图的算法。

  • 1.浮点算法：Gray=Rx0.3+Gx0.59+Bx0.11

  • 2.整数方法：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.仅取绿色：Gray=G；

在python中，可用Image的对象的方法convert('L')直接转换为灰度图

• 3.计算平均值：计算进行灰度处理后图片的所有像素点的平均值。

• 4.比较像素灰度值：遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0.

• 5.得到信息指纹：组合64个bit位，顺序随意保持一致性。

最后比对两张图片的指纹，获得汉明距离即可。

感知哈希算法(pHash)

平均哈希算法过于严格，不够精确，更适合搜索缩略图，为了获得更精确的结果可以选择感知哈希算法，它采用的是DCT（离散余弦变换）来降低频率的方法

一般步骤：

• 缩小图片：32 * 32是一个较好的大小，这样方便DCT计算

• 转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）

• 计算DCT:DCT把图片分离成分率的集合

• 缩小DCT：DCT计算后的矩阵是32 * 32，保留左上角的8 * 8，这些代表的图片的最低频率

• 计算平均值：计算缩小DCT后的所有像素点的平均值。

• 进一步减小DCT：大于平均值记录为1，反之记录为0.

• 得到信息指纹：组合64个信息位，顺序随意保持一致性。

最后比对两张图片的指纹，获得汉明距离即可。

这里给出别人的DCT的介绍和计算方法(离散余弦变换的方法)

DCT的维基百科（https://zh.wikipedia.org/wiki/%E7%A6%BB%E6%95%A3%E4%BD%99%E5%BC%A6%E5%8F%98%E6%8D%A2）
luoweifu的博客（http://blog.csdn.net/luoweifu/article/details/8214959）

dHash算法

相比pHash，dHash的速度要快的多，相比aHash，dHash在效率几乎相同的情况下的效果要更好，它是基于渐变实现的。

步骤：

• 缩小图片：收缩到9*8的大小，一遍它有72的像素点

• 转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）

• 计算差异值：dHash算法工作在相邻像素之间，这样每行9个像素之间产生了8个不同的差异，一共8行，则产生了64个差异值

• 获得指纹：如果左边的像素比右边的更亮，则记录为1，否则为0.
  最后比对两张图片的指纹，获得汉明距离即可。

总结

这几种算法是识别相似图像的基础，显然，有时两图中的人相似比整体的颜色相似更重要，所以我们有时需要进行人脸识别，
然后在脸部区进行局部哈希，或者进行其他的预处理再进行哈希，这里涉及其他知识本文不作介绍。

下一次将讲述利用opencv和以训练好的模型来进行人脸识别。

本文算法的实现在下面，点一下下面的连接就好

下一次将讲述利用opencv和以训练好的模型来进行人脸识别。

本文算法的实现在下面，点一下下面的连接就好

我的github仓库（https://github.com/MashiMaroLjc/Learn-to-identify-similar-images）

本文参考文章和图片来源

wbj0110的文章（http://wbj0110.iteye.com/blog/1940910）
赖勇浩的文章（http://blog.csdn.net/gzlaiyonghao/article/details/2325027）

---

China Hadoop大数据研究网：

http://chinahadoop.com/

中国hadoop技术峰会2016北京站报名参会网站：
http://www.chinahadoop.com/signup.php（也可点击阅读原文来了解详情）

门票价格表  

---

微信名：
HadoopSummit

微信ID：
hadoopinchina

中国Hadoop技术峰会是亚太地区举办最早、规模最大、影响力最广阔的大数据盛会。
Chinahadoop.com是China Hadoop Summit的内容网站。

HadoopSummit是Chinahadoop.com的微信发布平台。