OpenCV - 检查两个图像是不是 100% 相同的最快方法

Posted 2023-02-23

【中文标题】OpenCV - 检查两个图像是不是 100% 相同的最快方法

【英文标题】：OpenCV - Fastest method to check if two images are 100% same or notOpenCV - 检查两个图像是否 100% 相同的最快方法

【发布时间】：2014-06-05 09:46:10

【问题描述】：

这里有很多问题可以检查两个图像是否“几乎”相似。

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，但可以用不同的文件名保存。

【问题讨论】：

您使用哪种语言编程？

如果您真的对“最快”的方法（如标题所示）感兴趣，那么了解更多背景信息可能会很有用，例如：图像被假定为相等的频率。例如，如果您期望有许多不均衡的图像，您可能能够非常快速地检测到不均衡的图像，而均衡的图像可能需要更多的时间，因为它们很少发生

@Micka，给定一个文件夹，找出所有重复项。这就是所需的功能。

“最快的方法”是指“最快/最容易实现”还是“最短的处理时间”？

@Micka，最短的处理时间。这是我尝试使用 OpenCV 进行此操作的主要原因。

【参考方案1】：

您可以使用逻辑运算符，例如 xor 运算符。如果你使用python，你可以使用下面的一行函数：

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++版本也可以用类似的方法制作！

C++

请查看@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++ 版本仅适用于 2-D 图像。自己很容易将其转换为任何深度图像。我希望这能给你带来洞察力！ :)

文档：bitwise_xor

编辑：C++ 已删除。感谢@Micka 和@berak 的cmets。

【讨论】：

不错！但是 sum() 返回一个标量，因此您需要对其进行索引： sum(..)[0]

您是指c++ 版本？

对不起，是的，我的意思是 c++ 版本的 cv::sum()

在你上面的答案中，只有最后一个需要这个（你的第一个总和是像素，第二个是标量）

在 C++ 中，bitwise_xor 需要一个 dst 矩阵作为输出参数。重写代码后，它比我系统上的 berak 版本快最少。

【参考方案2】：

差值之和应为 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);

【讨论】：

我认为这是不对的。如果a == [[1, -1]] 和b == [[0, 0]] 不会通过吗？

我应该听你的，@Geoff……这就是better for me。 @berak，您的代码运行良好，但是当“b”为“纯白色”时，我得到了误报……

【参考方案3】：

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")

【讨论】：

您应该考虑使用不仅仅是代码的答案。您的代码如何比其他代码更好或不同地解决问题？

你有没有想过，如果图片大小不同会怎样？

【参考方案4】：

如果它们是相同的文件，只是保存在不同的文件名中，您可以检查它们的Checksums是否相同。

【参考方案5】：

导入我们需要的包——matplotlib 用于绘图，NumPy 用于数值处理，cv2 用于我们的 OpenCV 绑定。 scikit-image 已经为我们实现了结构相似性索引方法，所以我们将使用它们的实现

# 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，我们将使用它来使用 MSE 和 SSIM 比较两个图像。 mse 函数接受三个参数：imageA 和 imageB，这是我们要比较的两个图像，然后是我们图形的标题。

然后我们计算两个图像之间的 MSE 和 SSIM。 我们还简单地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 从磁盘加载图像。我们将使用原始图像、对比度调整图像和我们的 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，一个接一个地循环我们的图像，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 函数比较我们的图像。

# 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-https://www.pyimagesearch.com/2014/09/15/python-compare-two-images/

【讨论】：

这对于比较两个图像是否 100% 相同的任务来说有点矫枉过正