OpenCV - 检查两个图像是否100%相同的最快方法

时间:2014-04-21 10:28:05

标签: python c++ opencv

这里有很多问题,检查两个图像是否是"几乎"相似与否。

我的任务很简单。使用OpenCV,我想知道两个图像是否100%相同。

它们的大小相同,但可以使用不同的文件名保存。

5 个答案:

答案 0 :(得分:4)

差异的总和应为0(对于所有通道):

bool equal(const Mat & a, const Mat & b)
{
    if ( (a.rows != b.rows) || (a.cols != b.cols) )
        return false;
    Scalar s = sum( a - b );
    return (s[0]==0) && (s[1]==0) && (s[2]==0);
}

答案 1 :(得分:2)

您可以使用xor运算符之类的逻辑运算符。如果您使用的是python,则可以使用以下单行函数:

<强>的Python

def is_similar(image1, image2):
    return image1.shape == image2.shape and not(np.bitwise_xor(image1,image2).any())

其中shape是显示矩阵大小的属性,bitwise_xor顾名思义。 C ++版本可以用类似的方式制作!

<强> C ++

请参阅@berak代码。


注意:Python代码适用于任何深度图像(1-D,2-D,3-D,..),但C++版仅适用于2- D图像。您可以轻松地将其转换为任何深度图像。我希望能给你提供见解! :)

文档 bitwise_xor

编辑C++已被删除。感谢@Micka和@ berak的评论。

答案 2 :(得分:0)

如果它们是相同的文件,除了以不同的文件名保存,您可以检查他们的Checksums是否相同。

答案 3 :(得分:0)

import cv2
import numpy as np
a = cv2.imread("picture1.png")
b = cv2.imread("picture2.png")
difference = cv2.subtract(a, b)    
result = not np.any(difference)
if result is True:
    print("Pictures are the same")
else:
    print("Pictures are different")

答案 4 :(得分:0)

导入所需的软件包-用于绘图的matplotlib,用于数值处理的NumPy和用于OpenCV绑定的cv2。 scikit-image已经为我们实现了结构相似性索引方法,因此我们仅使用它们的实现

# import the necessary packages
from skimage.measure import structural_similarity as ssim
import matplotlib.pyplot as plt
import numpy as np
import cv2

然后定义compare_images函数,我们将使用它使用MSE和SSIM比较两个图像。 mse函数具有三个参数:imageA和imageB,这是我们要比较的两个图像,然后是图形的标题。

然后我们计算两个图像之间的MSE和SSIM。 我们还只显示与我们正在比较的两个图像相关联的MSE和SSIM。

def mse(imageA, imageB):
    # the 'Mean Squared Error' between the two images is the
    # sum of the squared difference between the two images;
    # NOTE: the two images must have the same dimension
    err = np.sum((imageA.astype("float") - imageB.astype("float")) ** 2)
    err /= float(imageA.shape[0] * imageA.shape[1])

    # return the MSE, the lower the error, the more "similar"
    # the two images are
    return err
def compare_images(imageA, imageB, title):
    # compute the mean squared error and structural similarity
    # index for the images
    m = mse(imageA, imageB)
    s = ssim(imageA, imageB)
    # setup the figure
    fig = plt.figure(title)
    plt.suptitle("MSE: %.2f, SSIM: %.2f" % (m, s))
    # show first image
    ax = fig.add_subplot(1, 2, 1)
    plt.imshow(imageA, cmap = plt.cm.gray)
    plt.axis("off")
    # show the second image
    ax = fig.add_subplot(1, 2, 2)
    plt.imshow(imageB, cmap = plt.cm.gray)
    plt.axis("off")
    # show the images
    plt.show()

使用OpenCV从磁盘上加载图像。我们将使用原始图像,对比度调整过的图像和Photoshop图像

然后我们将图像转换为灰度

# load the images -- the original, the original + contrast,
# and the original + photoshop
original = cv2.imread("images/jp_gates_original.png")
contrast = cv2.imread("images/jp_gates_contrast.png")
shopped = cv2.imread("images/jp_gates_photoshopped.png")
# convert the images to grayscale
original = cv2.cvtColor(original, cv2.COLOR_BGR2GRAY)
contrast = cv2.cvtColor(contrast, cv2.COLOR_BGR2GRAY)
shopped = cv2.cvtColor(shopped, cv2.COLOR_BGR2GRAY)

我们将生成一个matplotlib图形,一张一张地循环我们的图像,并将它们添加到我们的绘图中。然后我们的情节就会显示给我们。

最后,我们可以使用compare_images函数将图像进行比较。

# initialize the figure
fig = plt.figure("Images")
images = ("Original", original), ("Contrast", contrast), ("Photoshopped", shopped)
# loop over the images
for (i, (name, image)) in enumerate(images):
    # show the image
    ax = fig.add_subplot(1, 3, i + 1)
    ax.set_title(name)
    plt.imshow(image, cmap = plt.cm.gray)
    plt.axis("off")
# show the figure
plt.show()
# compare the images
compare_images(original, original, "Original vs. Original")
compare_images(original, contrast, "Original vs. Contrast")
compare_images(original, shopped, "Original vs. Photoshopped")

参考资料-https://www.pyimagesearch.com/2014/09/15/python-compare-two-images/