python3 图片对比 python图像对比处理

转载

mob6454cc623087 2023-07-28 22:24:24

文章标签 python3 图片对比 opencv python 图片差异化比较 MSE 文章分类 Python 后端开发

基于Python的图片比较

感觉文章通俗易懂，根据个人理解整理成中文，并不逐句翻译，因未找到原文图片，文末个人试验图片来自网络。

原文主要使用MSE(均方差)和SSIM(结构化相似度指数)来进行图片的比较，环境python3/opencv3原文效果图

python3 图片对比 python图像对比处理_opencv

1.图片样本

python3 图片对比 python图像对比处理_MSE_02

观察上述三幅图，左边为原始图片，中间为原图对比度调整后的图片，右边为带有logo的原始图片。通过观察，我们可以知道左边和中间的图片几乎一模一样，仅仅是颜色更暗了点，但是通过计算得到的MSE显示左边和右边的图像更相似。下面来仔细介绍。

2.MSE和SSIM

python3 图片对比 python图像对比处理_python3 图片对比_03

计算两幅图片的均方差，参考代码如下：

def mse(imageA, imageB):
	err = np.sum((imageA.astype("float") - imageB.astype("float"))**2)
	err /= float(imageA.shape[0] * imageA.shape[1])
	return err

当然也可以直接使用skimage封装好的函数：

from skimage.measure import compare_mse as mse

MSE很简单就实现了，但是在图片相似度判别时有个问题，图片像素值之间的差异，不代表图片内容之间的差异，比如明暗。为了解决这个问题，早在2004年，Wang et al.提出了结构相似度指数SSIM。

计算公式：

python3 图片对比 python图像对比处理_图片差异化比较_04

显然SSIM要比MSE更加复杂，但最关键的地方是SSIM试图对图像结构信息中的感知变化进行建模，而MSE实际上是对感知误差的估计。

SSIM的值范围[-1, 1]，1代表完全相同。
MSE因为是均方差，值越小代表越相同，0代表完全相同。

SSIM的计算方法skimage已经封装好，直接使用，原文时间较早，structural_similarity已更改为compare_ssim

from skimage.measure import compare_ssim as ssim

3.图像比较

新增了skimage中mse的计算，结果显示同自构函数mse结果完全一致。

def compareImages(imageA, imageB, title):
	m1 = mse(imageA, imageB)  # 构造函数
	m2 = mse_ski(imageA, imageB)  # skimage封装函数
	s = ssim(imageA, imageB)

	fig = plt.figure(title)
	plt.suptitle("MSE: %.2f, MSE With Ski: %.2f, SSIM: %.2f"%(m1, m2, s))

	ax = fig.add_subplot(1, 2, 1)
	plt.imshow(imageA, cmap=plt.cm.gray)
	plt.axis("off")

	ax = fig.add_subplot(1, 2, 2)
	plt.imshow(imageB, cmap=plt.cm.gray)
	plt.axis("off")

	plt.show()