Python3.0以上版本在對比圖片相似中的應用

首先聲明一下，代碼是從網上找到的，只是本人作以簡單的修改。

請大家尊重原創。

我本地用到的是

Python 3.4   以及 Pillow (4.0.0)  第三方包。

方法一、

#!/usr/bin/python
# coding : utf-8
import glob
import os
import sys
from functools import reduce

from PIL import Image

# EXTS = 'jpg', 'jpeg', 'JPG', 'JPEG', 'gif', 'GIF', 'png', 'PNG'
EXTS = 'jpg', 'jpeg', 'gif', 'png'


# 通過計算哈希值來得到該張圖片的“指紋”
def avhash(im):
    # 判斷參數im，是不是Image類的一個參數
    try:
        if not isinstance(im, Image.Image):
            im = Image.open(im)
    except OSError as ose:
        print("打不開圖片：{}".format(im))
        return "ng"
    # resize，格式轉換，把圖片壓縮成8*8大小，ANTIALIAS是抗鋸齒效果開啟，“L”是將其轉化為
    # 64級灰度，即一共有64種顏色
    im = im.resize((8, 8), Image.ANTIALIAS).convert('L')
    # 遞歸取值，這里是計算所有
    # 64個像素的灰度平均值
    avg = reduce(lambda x, y: x + y, im.getdata()) / 64.
    print(reduce(func_reduce_param, enumerate(map(lambda i: 0 if i < avg else 1, im.getdata())), 0))
    # 比較像素的灰度，將每個像素的灰度與平均值進行比較，>=avg：1；<avg：0
    return reduce(func_reduce_param,
                  enumerate(map(lambda i: 0 if i < avg else 1, im.getdata())), 0)


def func_reduce_param(x, a):
    if type(a) == tuple:
        y = a[0]
        z = a[1]
    return x | (z << y)


# 比較指紋，等同於計算“漢明距離”（兩個字符串對應位置的字符不同的個數）
def hamming(h1, h2):
    if h1 == "ng" or h2 == "ng":
        return "獲取指紋失敗。"
    h, d = 0, h1 ^ h2
    while d:
        h += 1
        d &= d - 1
    return h


def compare(img1, img2):
    if os.path.isfile(img1):
        print("源圖為：{}".format(img1))
    else:
        print("給定的源圖片：{} 不存在".format(img1))
        return "img1"

    if os.path.isfile(img2):
        print("對比圖為：{}".format(img2))
    else:
        print("給定的對比圖片：{} 不存在".format(img2))
        return "img2"

    ham = hamming(avhash(img2), avhash(img1))
    if type(ham) == int:
        if ham == 0:
            print("源圖：{} 與對比圖：{} 一樣。{}".format(img1, img2, ham))
        elif ham <= 3:
            print("源圖：{} 與對比圖：{} 存在差異。{}".format(img1, img2, ham))
        elif ham <= 5:
            print("源圖：{} 與對比圖：{} 對比明顯存在差異。{}".format(img1, img2, ham))
        elif ham <= 8:
            print("源圖：{} 與對比圖：{} 還能看到一點兒相似的希望。{}".format(img1, img2, ham))
        elif ham <= 10:
            print("源圖：{} 與對比圖：{} 這兩張圖片有相同點，但少的可憐啊。{}".format(img1, img2, ham))
        elif ham > 10:
            print("源圖：{} 與對比圖：{} 不一樣。{}".format(img1, img2, ham))
    else:
        print("未知的結果，無法完成對比。")
    return ""


def compare_many_pic(img, abs_dir):
    if os.path.isfile(img):
        print("源圖為：{}".format(img))
    else:
        print("給定的源圖片：{} 不存在".format(img))
        print("Usage: image.jpg [dir]")
        return "img"
    if os.path.isdir(abs_dir):
        print("給定目錄為：{}".format(abs_dir))
    else:
        print("給定的目錄：{} 不存在".format(abs_dir))
        print("Usage: image.jpg [dir]")
        return "dir"

    h = avhash(img)

    os.chdir(abs_dir)
    images = []
    for ext in EXTS:
        images.extend(glob.glob('*.%s' % ext))
    print(images)

    seq = []
    prog = int(len(images) > 50 and sys.stdout.isatty())
    for f in images:
        seq.append((f, hamming(avhash(f), h)))
        if prog:
            perc = 100. * prog / len(images)
            x = int(2 * perc / 5)
            print('\rCalculating... [' + '#' * x + ' ' * (40 - x) + ']')
            print('%.2f%%' % perc, '(%d/%d)' % (prog, len(images)))
            sys.stdout.flush()
            prog += 1

    if prog: print("")
    for f, ham in sorted(seq, key=lambda i: i[1]):
        print("{}\t{}".format(ham, f))
    return ""


if __name__ == '__main__':

    compare(img1="./images/1.png", img2="./images/4.png")

此方法的詳細描述，已經在代碼中給出，不做贅述。


方法二、
# 原作者發布在GitHub上的一些列圖片對比的方法。有興趣研究的可以訪問鏈接如下：
# https://github.com/MashiMaroLjc/Learn-to-identify-similar-images

# coding : utf-8
from PIL import Image


def calculate(image1, image2):
    g = image1.histogram()
    s = image2.histogram()
    assert len(g) == len(s), "error"

    data = []

    for index in range(0, len(g)):
        if g[index] != s[index]:
            data.append(1 - abs(g[index] - s[index]) / max(g[index], s[index]))
        else:
            data.append(1)

    return sum(data) / len(g)


def split_image(image, part_size):
    pw, ph = part_size
    w, h = image.size

    sub_image_list = []

    assert w % pw == h % ph == 0, "error"

    for i in range(0, w, pw):
        for j in range(0, h, ph):
            sub_image = image.crop((i, j, i + pw, j + ph)).copy()
            sub_image_list.append(sub_image)

    return sub_image_list


def classfiy_histogram_with_split(image1, image2, size=(256, 256), part_size=(64, 64)):
    '''
     'image1' 和 'image2' 都是Image 對象.
     可以通過'Image.open(path)'進行創建。
     'size' 重新將 image 對象的尺寸進行重置，默認大小為256 * 256 .
     'part_size' 定義了分割圖片的大小.默認大小為64*64 .
     返回值是 'image1' 和 'image2'對比后的相似度，相似度越高，圖片越接近，達到100.0說明圖片完全相同。
    '''
    img1 = image1.resize(size).convert("RGB")
    sub_image1 = split_image(img1, part_size)

    img2 = image2.resize(size).convert("RGB")
    sub_image2 = split_image(img2, part_size)

    sub_data = 0
    for im1, im2 in zip(sub_image1, sub_image2):
        sub_data += calculate(im1, im2)

    x = size[0] / part_size[0]
    y = size[1] / part_size[1]

    pre = round((sub_data / (x * y)), 6)
    print(pre * 100)
    return pre * 100


if __name__ == '__main__':
    image1 = Image.open("./images/1.png")
    image2 = Image.open("./images/brain.jpg")
    classfiy_histogram_with_split(image1, image2)


對比方法一和方法二，在執行的效率上基本一致，但是在對比的准確度上，方法二要優於方法一。