1. 介紹
直方圖算法（Image Histogram Algorithm） 通過統(tǒng)計圖像中各個顏色值的分布情況來提供關(guān)于圖像顏色特征的信息，它可以用來衡量兩張圖片在顏色分布上的相似度，進而可以用來進行圖像相似度的比較，因此，直方圖算法是一種常用的圖片相似度算法，通常是一個一維的數(shù)組（取決于使用通道的數(shù)量），其中每個元素表示特定顏色或強度值的像素數(shù)量。
關(guān)于直方圖算法的一些概念：
直方圖的定義
直方圖是一個二維數(shù)組，通常是一維的（取決于使用通道的數(shù)量），其中每個元素表示特定顏色或強度值的像素數(shù)量。對于彩色圖像，通常有多個通道，比如藍、綠、紅（BGR），因此可能有多個直方圖。
直方圖的統(tǒng)計
- 直方圖的統(tǒng)計是通過掃描圖像的每個像素來收集顏色信息的過程。
- 對于灰度圖像（屬于單通道），每個像素只有一個強度值，因此只有一個通道的直方圖。對于彩色圖像，每個像素有多個通道的值，所以需要分別統(tǒng)計每個通道的直方圖。
- 關(guān)于單通道更詳細的詳細實驗可見下文：討論1#關(guān)于單通道 [0]
直方圖的用途
- 直方圖可以用于多種圖像處理任務(wù)，包括圖像增強、顏色校正、圖像分割、物體檢測和圖像相似性比較。
- 通過分析直方圖，可以獲得有關(guān)圖像的顏色分布、對比度、亮度等信息。
直方圖均衡化
- 直方圖均衡化是一種用于增強圖像對比度的技術(shù)，它通過重新分配像素的強度值來拉伸或壓縮直方圖，以使其分布更均勻。這可以使圖像中的細節(jié)更加清晰。
直方圖相似度
- 直方圖相似度用于比較兩幅圖像的相似程度。通過計算兩個圖像的直方圖之間的差異，可以量化它們的相似性。
- 常見的直方圖相似度度量包括交叉相關(guān)性（cv2.HISTCMP_INTERSECT）、卡方距離（cv2.HISTCMP_CHISQR）、相關(guān)性（cv2.HISTCMP_CORREL）、巴氏距離（cv2.HISTCMP_BHATTACHARYYA）等。
- 對于直方圖比較方法的詳細實驗可見下文：討論2#直方圖相似度函數(shù)
顏色直方圖
- 對于彩色圖像，顏色直方圖通常分別計算每個通道的直方圖。這可以提供關(guān)于不同顏色通道的顏色分布信息，有助于顏色特征的分析。
- 對于彩色圖像直方圖的詳細實驗可見下文：討論3#彩色圖像直方圖
?文章來源：http://www.zghlxwxcb.cn/news/detail-817666.html
2. 原理
直方圖算法通過統(tǒng)計圖像中不同顏色的像素數(shù)量，并以直方圖的形式呈現(xiàn)，進而進行圖像相似度的比較。
關(guān)于 bin
在一個灰度圖像中，像素值的范圍通常從黑色（0）到白色（255）之間變換。如果將圖像的像素值范圍分成 256 個 bin 格子，那么每個 bin 格子則代表一個灰度級別，其灰度值從 0 到 255。直方圖中每個 bin 格子記錄了對應(yīng)灰度級別的像素數(shù)量，通過統(tǒng)計每個 bin 格子中的像素數(shù)量，就可以了解圖像中不同灰度級別的分布情況。
即可看作有你 256 張灰色系色度卡，每一個灰度卡上都統(tǒng)計了灰度圖像中所有該色度的像素數(shù)量，這樣就可以直觀看出灰度圖像的像素在不同色度卡上的分布，然后和其它圖像加以對比分析。
?
3. 魔法
直方圖計算圖片相似度的步驟：
- 圖像預(yù)處理： 將目標圖像轉(zhuǎn)換為灰度圖像或彩色圖像，并根據(jù)需要進行尺寸調(diào)整。
- 計算直方圖： 對于灰度圖像，直方圖表示不同灰度級別的像素數(shù)量。對于彩色圖像，可以分別計算各個通道（如紅、綠、藍）的直方圖對圖像中的每個像素進行像素值的統(tǒng)計，以確定每個像素值的頻率或數(shù)量。這通常包括遍歷圖像的每個像素，并將其像素值歸類到相應(yīng)的像素值區(qū)間（通常是0到255）。最終，得到一個表示像素值頻率的直方圖。
- 直方圖比較： 對于兩張圖片的直方圖，可以使用不同的距離或相似度度量方法來進行比較。常見的度量方法包括相關(guān)性、卡方距離、巴氏距離等。
- 相似度評估： 根據(jù)直方圖比較的結(jié)果，計算出兩張圖片之間的相似度得分。
?
4. 實驗
4.1 魔法
第一步：圖像預(yù)處理
將目標圖像轉(zhuǎn)換為灰度圖像或彩色圖像，并根據(jù)需要進行尺寸調(diào)整。
1）讀取原圖： 首先讀取我們要分析的圖像。
2）圖像灰度化： 如果需要計算灰度直方圖，將彩色圖像轉(zhuǎn)換為灰度圖像。這里我們使用 [0]，只考慮圖像灰度級別（亮度）信息，結(jié)果是一維數(shù)組。
第二步：計算直方圖
對于灰度圖像，直方圖表示不同灰度級別的像素數(shù)量。
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1 | matplotlib 3.7.1
實驗時間：2023-10-27
實例名稱：imgHistogram_v1.0.py
"""
import cv2
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
# 目標圖像素材庫文件夾路徑
database_dir = '../../P0_Doc/'
# 文件路徑
img_path = database_dir + 'img_data/car-101.jpg'
font_path = database_dir + 'fonts/chinese_cht.ttf'
# 讀取圖像
img = cv2.imread(img_path)
# 計算直方圖
img_hist = cv2.calcHist([img], [0], None, [256], [0, 256])
print(img_hist)
# 設(shè)置中文字體
font = FontProperties(fname=font_path, size=14)
# 繪制直方圖
plt.plot(img_hist)
plt.title('Histogram（直方圖）', fontproperties=font)
plt.xlabel('Pixel Value（像素值）', fontproperties=font)
plt.ylabel('Frequency（頻率）', fontproperties=font)
# 像素分布可視化
plt.show()
輸出打?。?55個像素亮度
[[ 25.]
[ 13.]
[ 13.]
[ 25.]
[ 39.]
......
[ 798.]
[ 779.]
[ 2034.]]
像素分布可視化效果（直方圖）：
對于彩色圖像，可以分別計算各個通道（如紅、綠、藍）的直方圖。對圖像中的每個像素進行像素值的統(tǒng)計，以確定每個像素值的頻率或數(shù)量。這通常包括遍歷圖像的每個像素，并將其像素值歸類到相應(yīng)的像素值區(qū)間（通常是0到255）。最終，得到一個表示像素值頻率的直方圖。
img_hist = cv2.calcHist([img], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
注：彩色直方圖我們下后面詳說。
cv2.calcHist 函數(shù)用于計算圖像的直方圖。以下是它的主要參數(shù)和說明：
-
img：要計算直方圖的圖像。它以方括號的形式傳遞，允許計算多個圖像的直方圖。例如，[img] 表示計算單個圖像的直方圖，[img1, img2] 表示計算兩個圖像的直方圖。 -
channels：指定要考慮的通道。這是一個通道索引列表，用于選擇要計算直方圖的通道。在 OpenCV 中，通常情況下，通道 0 對應(yīng)于藍色（B），通道 1 對應(yīng)于綠色（G），通道2 對應(yīng)于紅色（R）。如果要考慮所有通道，可以使用 [0, 1, 2]，而對于單通道，只會考慮圖像的灰度信息，而不考慮顏色信息。使用 [0] 即可表示灰色通道，也可以使用 [1] 或 [2] 表示灰色單通道。B、G、R 單通道的對比效果見下文 討論1#關(guān)于單通道 [0] -
mask：可選參數(shù)，用于指定一個掩碼圖像，以便只計算掩碼中非零元素對應(yīng)的像素值。如果不需要掩碼，可以將其設(shè)置為 None。
histSize：指定直方圖的 bin 數(shù)量，即要計算的直方圖的維度。它通常以方括號形式傳遞，例如 [256] 表示每個通道有 256 個 bin（256個色卡）。 -
ranges：指定像素值的范圍。通常以方括號形式傳遞，例如 [0, 256] 表示單通道像素值的范圍從 0 到 255。對于彩色圖像，通常設(shè)置為 [0, 256, 0, 256, 0, 256]，表示三個通道的范圍。
?
討論1：關(guān)于單通道 [0]
- 因為通道 0 對應(yīng)的是藍色（B），所以 [0] ，即使用了藍色（B）單通道的灰度圖像，因為灰度圖像中只有一個通道（單通道）。
- 所以，[1]、[2] 都可以表示單通道的灰度圖像。
- 同理，[0]、[1]、[2] 雖然都可以表示單通道的灰度圖像，但由于使用的通道分別是 0：藍色（Blue）、1：綠色（Green）、2：紅色（Red），所以，灰度圖像的亮度略有區(qū)別（會影響灰度像素亮度分布）。
效果如下（分別是BGR、RGB、B、G、R）：
示圖代碼：
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1 | matplotlib 3.7.1
實驗時間：2023-10-27
實例名稱：imgHistogram_v1.2_rgb_split.py
"""
import cv2
import matplotlib.pyplot as plt
# 目標圖像素材庫文件夾路徑
database_dir = '../../P0_Doc/'
# 文件路徑
img_path = database_dir + 'img_data/car-101.jpg'
# 讀取圖像：默認使用BGR加載圖像
img = cv2.imread(img_path)
# 分離通道：將彩色圖像分離成各個通道（R、G、B），然后分別繪制它們的直方圖
img_b, img_g, img_r = cv2.split(img)
# 繪制子圖
plt.figure(figsize=(15, 5))
# 151：表示子圖位于一個 1x5 的網(wǎng)格中的第一個位置。如比第2張圖的位置152，即一行五列第2張圖
# 顯示各通道的圖像
plt.subplot(151)
plt.imshow(img)
plt.title('BGR (Default)')
plt.subplot(152)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('BGR TO RGB')
plt.subplot(153)
plt.imshow(cv2.cvtColor(img_b, cv2.COLOR_BGR2RGB))
plt.title('Blue Channel')
plt.subplot(154)
plt.imshow(cv2.cvtColor(img_g, cv2.COLOR_BGR2RGB))
plt.title('Green Channel')
plt.subplot(155)
plt.imshow(cv2.cvtColor(img_r, cv2.COLOR_BGR2RGB))
plt.title('Red Channel')
plt.show()
代碼對目標圖像進行 R、G、B 通道分離，讀取像素，然后分別繪制它們的直方圖。
下圖中，讀取目標圖像的方式分別是：BGR、RGB、B、G、R，繪畫出來的直方圖灰度像素分布效果如下：
可以看到，BGR 與 Blue（第1張與第3張）、RGB 與 Red（第2張與第5張）的灰度像素分布趨勢一致。
示圖代碼：
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1 | matplotlib 3.7.1
實驗時間：2023-10-27
實例名稱：imgHistogram_v1.3_rgb_split.py
"""
import cv2
import matplotlib.pyplot as plt
# 目標圖像素材庫文件夾路徑
database_dir = '../../P0_Doc/'
# 文件路徑
img_path = database_dir + 'img_data/car-101.jpg'
# 讀取圖像：默認使用BGR加載圖像
img = cv2.imread(img_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 分離通道：將彩色圖像分離成各個通道（R、G、B），然后分別繪制它們的直方圖
img_b, img_g, img_r = cv2.split(img)
# 計算各通道的直方圖
hist_bgr = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_rgb = cv2.calcHist([img_rgb], [0], None, [256], [0, 256])
hist_b = cv2.calcHist([img_b], [0], None, [256], [0, 256])
hist_g = cv2.calcHist([img_g], [0], None, [256], [0, 256])
hist_r = cv2.calcHist([img_r], [0], None, [256], [0, 256])
# 繪制線圖子圖展示各通道的直方圖灰度趨勢
plt.subplot(151)
plt.plot(hist_bgr, color='orange')
plt.title('BGR Histogram')
plt.subplot(152)
plt.plot(hist_rgb, color='purple')
plt.title('RGB Histogram')
plt.subplot(153)
plt.plot(hist_b, color='b')
plt.title('Blue Histogram')
plt.subplot(154)
plt.plot(hist_g, color='g')
plt.title('Green Histogram')
plt.subplot(155)
plt.plot(hist_r, color='r')
plt.title('Red Histogram')
plt.show()
如果不好分辨，我們再加上 [0]、[1]、[2] 單通道合成一張直方圖：
可以清楚看到，合成后的直方圖，只剩下 B、G、R 三通道的灰度像素分布趨勢。
示圖代碼：
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1 | matplotlib 3.7.1
實驗時間：2023-10-27
實例名稱：imgHistogram_v1.4_rgb_one.py
"""
import cv2
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
# 目標圖像素材庫文件夾路徑
database_dir = '../../P0_Doc/'
# 文件路徑
img_path = database_dir + 'img_data/car-101.jpg'
# 字體路徑
font_path = database_dir + 'fonts/chinese_cht.ttf'
# 讀取圖像
img = cv2.imread(img_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 分離通道：將彩色圖像分離成各個通道（R、G、B），然后分別繪制它們的直方圖
img_b, img_g, img_r = cv2.split(img)
# 計算各通道的直方圖（依次為 BGR、RGB、0：藍色通道，1：綠色通道，2：紅色通道）
hist_bgr = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_rgb = cv2.calcHist([img_rgb], [0], None, [256], [0, 256])
hist_b = cv2.calcHist([img_b], [0], None, [256], [0, 256])
hist_g = cv2.calcHist([img_g], [0], None, [256], [0, 256])
hist_r = cv2.calcHist([img_r], [0], None, [256], [0, 256])
hist_0 = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_1 = cv2.calcHist([img], [1], None, [256], [0, 256])
hist_2 = cv2.calcHist([img], [2], None, [256], [0, 256])
# 繪制多線線圖，展示各通道的直方圖灰度趨勢
plt.plot(hist_bgr, color='orange', label='BGR')
plt.plot(hist_rgb, color='purple', label='RGB')
plt.plot(hist_b, color='blue', label='Channel Blue')
plt.plot(hist_0, color='blue', label='Channel 0')
plt.plot(hist_g, color='green', label='Channel Green')
plt.plot(hist_1, color='green', label='Channel 1')
plt.plot(hist_r, color='red', label='Channel Red')
plt.plot(hist_2, color='red', label='Channel 2')
# 設(shè)置中文字體
font = FontProperties(fname=font_path, size=14)
plt.title('Histogram（直方圖）', fontproperties=font)
plt.xlabel('Pixel Value（像素值）', fontproperties=font)
plt.ylabel('Frequency（頻率）', fontproperties=font)
# 添加圖例
plt.legend()
# 顯示圖像
plt.show()
計算各通道的直方圖（依次為 BGR，RGB，0：藍色通道，1：綠色通道，2：紅色通道）：
-
[0]： 使用
cv2.imread(img_path)的 img、cv2.split(img) 中的 img_b、[0] 獲得到的灰度像素分布趨勢等同 -
[1]： 使用
cv2.split(img)中的 img_g、[1] 獲得到的灰度像素分布趨勢等同 -
[2]： 使用
cv2.cvtColor(img, cv2.COLOR_BGR2RGB)的 img_rgb、cv2.split(img) 中的 img_r、[2] 獲得到的灰度像素分布趨勢等同
所以，[0]、[1]、[2] 都可以表示單通道的灰度圖像，但由于使用的通道分別是 藍色（Blue）、綠色（Green）、紅色（Red），所以，灰度圖像的亮度略有區(qū)別（會影響灰度像素亮度分布），體現(xiàn)在直方圖上，則表現(xiàn)為灰度像素的分布趨勢略有差異。
第三步：直方圖比較
對于兩張圖像的直方圖比較，可以使用不同的距離或相似度度量方法來進行比較。常見的度量方法包括相關(guān)性、卡方距離、巴氏距離等。
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0
實驗時間：2023-10-27
實例名稱：imgHistogram_v2.1_graySimilarity.py
"""
import cv2
def get_calcHist(img1_path, img2_path):
# 讀取圖像
img1 = cv2.imread(img1_path)
img2 = cv2.imread(img2_path)
# 計算圖像灰度單通道直方圖
img1_hist = cv2.calcHist([img1], [0], None, [256], [0, 256])
img2_hist = cv2.calcHist([img2], [0], None, [256], [0, 256])
# 計算直方圖相似度
# cv2.HISTCMP_CORREL: 相關(guān)性比較，值越接近 1 表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_CORREL)
print("圖像2與圖像1的相似度（HISTCMP_CORREL/相關(guān)性）：", similarity)
# 或者
# 計算直方圖的重合度
degree = 0
for i in range(len(img1_hist)):
if img1_hist[i] != img2_hist[i]:
degree = degree + (1 - abs(img1_hist[i] - img2_hist[i]) / max(img1_hist[i], img2_hist[i]))
else:
degree = degree + 1
degree = degree / len(img1_hist)
print("圖像2與圖像1的重合度：", degree)
return similarity
# 目標圖像素材庫文件夾路徑
database_dir = '../../P0_Doc/img_data/'
# 文件路徑
img1_path = database_dir + 'car-101.jpg'
img2_path = database_dir + 'car-102.jpg'
print("圖像1路徑：", img1_path)
print("圖像2路徑：", img2_path)
get_calcHist(img1_path, img2_path)
輸出打?。?/p>
圖像1路徑： ../../P0_Doc/img_data/car-101.jpg
圖像2路徑： ../../P0_Doc/img_data/car-102.jpg
圖像2與圖像1的相似度（HISTCMP_CORREL/相關(guān)性）： 1.0
圖像2與圖像1的重合度： 1.0
說明：圖像2是圖像1的180度倒置圖。
cv2.compareHist 是 OpenCV 中用于比較直方圖相似度的函數(shù)。用于計算兩個直方圖之間的相關(guān)性（correlation）。img1_hist 和 img2_hist 是兩個直方圖，它們分別代表兩幅圖像的顏色分布。
直方圖的比較方法：
- cv2.HISTCMP_CORREL（相關(guān)性）： 計算兩個直方圖之間的相關(guān)性。相關(guān)性的值越接近1，表示兩幅圖像的顏色分布越相似，值越接近-1表示顏色分布越不相似，值接近0表示中等相似度。但不太適用于顏色直方圖比較。
- cv2.HISTCMP_CHISQR（卡方距離）： 計算卡方距離，用于比較兩個直方圖之間的差異。值越接近 0 表示顏色分布越相似。
- cv2.HISTCMP_INTERSECT（交集性）： 計算兩個直方圖的交集，用于度量它們的相似度。該值越大表示相似度越高。
- cv2.HISTCMP_BHATTACHARYYA（巴氏距離）： 計算兩個直方圖之間的巴氏距離。值越接近 0 表示顏色分布越相似。
?
討論2：直方圖相似度函數(shù)
使用 cv2.compareHist()，不同的直方圖比較方法，對比結(jié)果略有差異。這里，我們使用 [0] 作為灰度通道進行測試實驗。
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0
實驗時間：2023-10-27
實例名稱：imgHistogram_v2.3_compareHist.py
"""
import cv2
import os
def get_degreeHist(img1_hist, img2_hist):
# 計算直方圖的重合度
degree = 0
for i in range(len(img1_hist)):
if img1_hist[i] != img2_hist[i]:
degree = degree + (1 - abs(img1_hist[i] - img2_hist[i]) / max(img1_hist[i], img2_hist[i]))
else:
degree = degree + 1
degree = degree / len(img1_hist)
return degree
def all_compareHist(img1_path, img2_path):
img1 = cv2.imread(img1_path)
img2 = cv2.imread(img2_path)
img1_hist = cv2.calcHist([img1], [0], None, [256], [0, 256])
img2_hist = cv2.calcHist([img2], [0], None, [256], [0, 256])
similarity = get_degreeHist(img1_hist, img2_hist)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度：", similarity)
# 計算直方圖相似度
# cv2.HISTCMP_BHATTACHARYYA: 巴氏距離比較，值越接近 0 表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_BHATTACHARYYA)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_BHATTACHARYYA/巴氏距離）：", similarity)
# cv2.HISTCMP_CHISQR: 卡方比較，值越接近 0 表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_CHISQR)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_CHISQR/卡方比較）：", similarity)
# cv2.HISTCMP_CORREL: 相關(guān)性比較，值越接近 1 表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_CORREL)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_CORREL/相關(guān)性）：", similarity)
# cv2.HISTCMP_INTERSECT: 直方圖交集比較，值越大表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_INTERSECT)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_INTERSECT/交集比較）：", similarity)
return similarity
# 目標圖像素材庫文件夾路徑
database_dir = '../../P0_Doc/img_data/'
# 文件路徑
img1_path = database_dir + 'car-101.jpg'
img2_path = database_dir + 'car-102.jpg'
img2_path = database_dir + 'car-103.jpg'
all_compareHist(img1_path, img2_path)
輸出打?。?/p>
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度： 1.0
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_BHATTACHARYYA/巴氏距離）： 0.0
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CHISQR/卡方比較）： 0.0
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CORREL/相關(guān)性）： 1.0
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_INTERSECT/交集比較）： 1232154.0
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度： [0.6923658]
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_BHATTACHARYYA/巴氏距離）： 0.2135487778250319
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CHISQR/卡方比較）： 11867327.715396598
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CORREL/相關(guān)性）： 0.4266303485505497
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_INTERSECT/交集比較）： 972986.0
?
討論3：彩色圖像直方圖
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0
實驗時間：2023-10-27
實例名稱：imgHistogram_v2.4_rgb_compareHist.py
"""
import cv2
import os
def bgr_compareHist(img1_path, img2_path):
img1 = cv2.imread(img1_path)
img2 = cv2.imread(img2_path)
img1_hist = cv2.calcHist([img1], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
img2_hist = cv2.calcHist([img2], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
# 計算直方圖相似度
# cv2.HISTCMP_BHATTACHARYYA: 巴氏距離比較，值越接近 0 表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_BHATTACHARYYA)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_BHATTACHARYYA/巴氏距離）：", similarity)
# cv2.HISTCMP_CHISQR: 卡方比較，值越接近 0 表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_CHISQR)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_CHISQR/卡方比較）：", similarity)
# cv2.HISTCMP_CORREL: 相關(guān)性比較，值越接近 1 表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_CORREL)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_CORREL/相關(guān)性）：", similarity)
# cv2.HISTCMP_INTERSECT: 直方圖交集比較，值越大表示顏色分布越相似
similarity = cv2.compareHist(img1_hist, img2_hist, cv2.HISTCMP_INTERSECT)
print(f"圖像 {os.path.basename(img2_path)} 與目標圖像 {os.path.basename(img1_path)} 的相似度（HISTCMP_INTERSECT/交集比較）：", similarity)
return similarity
# 目標圖像素材庫文件夾路徑
database_dir = '../../P0_Doc/img_data/'
# 文件路徑
img1_path = database_dir + 'car-101.jpg'
img2_path = database_dir + 'car-102.jpg'
img2_path = database_dir + 'car-103.jpg'
bgr_compareHist(img1_path, img2_path)
輸出打?。?/p>
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_BHATTACHARYYA/巴氏距離）： 0.0
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CHISQR/卡方比較）： 0.0
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CORREL/相關(guān)性）： 1.0
圖像 car-102.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_INTERSECT/交集比較）： 1232154.0
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_BHATTACHARYYA/巴氏距離）： 0.25780152883475765
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CHISQR/卡方比較）： 981578.8189641015
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_CORREL/相關(guān)性）： 0.8933747646918704
圖像 car-103.jpg 與目標圖像 car-101.jpg 的相似度（HISTCMP_INTERSECT/交集比較）： 911172.0
對比 討論2：直方圖相似度函數(shù) 的輸出結(jié)果，可以看到，相同測試圖像，彩色直方圖的相似度 與 灰度直方圖的相似度 有一點差異，原因就是，通過單通道的灰度直方圖，可以捕捉到圖像的整體亮度和對比度信息，而不受顏色的影響。在相似圖片查找中，通常更關(guān)注圖像的結(jié)構(gòu)和紋理，因此灰度信息更具代表性。
第四步：相似度評估
根據(jù)直方圖比較的結(jié)果（似度得分），進行目標圖像相似度評估。
案例場景：圖像測試素材庫中，查找所有圖像，找出與目標圖像相似值小于等于0.5的圖像。
......
for similarity in similarities:
if (similarity[1] <= 0.5):
print(f"圖像名稱：{similarity[0]}，與目標圖像 {os.path.basename(img_org_path)} 的近似值：{similarity[1]}")
?
4.2 測試
實驗場景
通過 opencv，使用直方圖算法查找目標圖像素材庫中所有符合期望值的相似圖像。
實驗素材
這里，我準備了45張素材圖像，其中14張圖像為水果，其余為不同類型的汽車，但形態(tài)不一。
實驗代碼
"""
以圖搜圖：圖像直方圖（Image Histogram）查找相似圖像的原理與實現(xiàn)
測試環(huán)境：win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1 | matplotlib 3.7.1
實驗場景：圖像測試素材庫中，查找所有圖像，找出與目標圖像相似值小于等于0.7的圖像
實驗時間：2023-10-27
實例名稱：imgHistogram_v3.2_gray_show.py
"""
import os
import time
import cv2
import matplotlib.pyplot as plt
def get_calcHist(org_img_hist, img_path):
# 讀取圖像：通過OpenCV的imread加載RGB圖像
img = cv2.imread(img_path)
# img = cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2GRAY)
img_hist = cv2.calcHist([img], [0], None, [256], [0, 256])
# 計算直方圖相似度
# cv2.HISTCMP_CORREL: 相關(guān)性比較，值越接近 1 表示顏色分布越相似
# cv2.HISTCMP_CHISQR: 卡方比較，值越接近 0 表示顏色分布越相似
# cv2.HISTCMP_BHATTACHARYYA: 巴氏距離比較，值越接近 0 表示顏色分布越相似
# cv2.HISTCMP_INTERSECT: 直方圖交集比較，值越大表示顏色分布越相似
similarity = cv2.compareHist(org_img_hist, img_hist, cv2.HISTCMP_BHATTACHARYYA)
return similarity
def show_similar_images(similar_images, images_per_column=3):
# 計算總共的圖片數(shù)量
num_images = len(similar_images)
# 計算所需的行數(shù)
num_rows = (num_images + images_per_column - 1) // images_per_column
# 創(chuàng)建一個子圖，每行顯示 images_per_column 張圖片
fig, axes = plt.subplots(num_rows, images_per_column, figsize=(12, 15), squeeze=False)
# 遍歷每一行
for row in range(num_rows):
# 遍歷每一列
for col in range(images_per_column):
# 計算當前圖片在列表中的索引
index = row * images_per_column + col
# 檢查索引是否越界
if index < num_images:
# 獲取當前相似圖片的路徑和相似度
image_path = similar_images[index][0]
similarity = similar_images[index][1]
# 讀取圖片并轉(zhuǎn)換顏色通道
image = cv2.cvtColor(cv2.imread(image_path), cv2.COLOR_BGR2RGB)
# 在子圖中顯示圖片
axes[row, col].imshow(image)
# 設(shè)置子圖標題，包括圖片路徑和相似度
axes[row, col].set_title(f"Similar Image: {os.path.basename(image_path)} \n Similar Score: {similarity:.4f}")
# 關(guān)閉坐標軸
axes[row, col].axis('off')
# 顯示整個圖
plt.show()
# ------------------------------------------------ 測試 ------------------------------------------------
if __name__ == '__main__':
time_start = time.time()
# 指定測試圖像庫目錄
img_dir = '../../P0_Doc/img_data/'
# 指定測試圖像文件擴展名
img_suffix = ['.jpg', '.jpeg', '.png', '.bmp', '.gif']
# 獲取當前執(zhí)行腳本所在目錄
script_dir = os.path.dirname(__file__)
# 獲取目標測試圖像的全路徑
img_org_path = os.path.join(script_dir, img_dir, 'apple-101.jpg')
# 加載要查詢的圖像
query_image = cv2.imread(img_org_path)
# query_image = cv2.cvtColor(cv2.imread(img_org_path), cv2.COLOR_BGR2GRAY)
# 計算查詢圖像的直方圖：灰度直方圖算法
img_org_hist = cv2.calcHist([query_image], [0], None, [256], [0, 256])
print(f"目標圖像：{os.path.relpath(img_org_path)}")
# 獲取測試圖像庫中所有文件
all_files = os.listdir(os.path.join(script_dir, img_dir))
# 篩選出指定后綴的圖像文件
img_files = [file for file in all_files if any(file.endswith(suffix) for suffix in img_suffix)]
# 存儲相似度值和對應(yīng)的圖像路徑
img_search_results = []
# 遍歷測試圖像庫中的每張圖像
for img_file in img_files:
# 獲取相似圖像文件路徑
img_path = os.path.join(script_dir, img_dir, img_file)
# 獲取相似圖像可識別哈希值（圖像指紋）
similarity = get_calcHist(img_org_hist, img_path)
# print(f"圖像名稱：{img_path}，與目標圖像 {os.path.basename(img_org_path)} 的近似值：{similarity}")
if (similarity <= 0.7):
# 存儲相似度值和對應(yīng)的圖像路徑
img_search_results.append((os.path.relpath(img_path), similarity))
# 按相似度升序排序
img_search_results.sort(key=lambda item: item[1])
for img_similarity in img_search_results:
print(f"圖像名稱：{img_similarity[0]}，與目標圖像 {os.path.basename(img_org_path)} 的相似值：{img_similarity[1]}")
time_end = time.time()
print(f"耗時：{time_end - time_start}")
# 顯示目標相似圖像
show_similar_images(img_search_results)
多圖相似查找效果顯示，實驗代碼使用的是巴氏距離比較，值越接近 0 表示顏色分布越相似：
輸出打印：
目標圖像：..\..\P0_Doc\img_data\apple-101.jpg
圖像名稱：..\..\P0_Doc\img_data\apple-101.jpg，與目標圖像 apple-101.jpg 的相似值：0.0
圖像名稱：..\..\P0_Doc\img_data\apple-104.jpg，與目標圖像 apple-101.jpg 的相似值：0.0
圖像名稱：..\..\P0_Doc\img_data\car-109.jpg，與目標圖像 apple-101.jpg 的相似值：0.6158102157213413
圖像名稱：..\..\P0_Doc\img_data\car-103.jpg，與目標圖像 apple-101.jpg 的相似值：0.662176197294615
圖像名稱：..\..\P0_Doc\img_data\car-101.jpg，與目標圖像 apple-101.jpg 的相似值：0.6813075243521007
圖像名稱：..\..\P0_Doc\img_data\car-102.jpg，與目標圖像 apple-101.jpg 的相似值：0.6813075243521007
圖像名稱：..\..\P0_Doc\img_data\Q3-09.jpg，與目標圖像 apple-101.jpg 的相似值：0.6844184531149912
圖像名稱：..\..\P0_Doc\img_data\car-108.jpg，與目標圖像 apple-101.jpg 的相似值：0.6861940450661771
圖像名稱：..\..\P0_Doc\img_data\X3-09.jpg，與目標圖像 apple-101.jpg 的相似值：0.692340714053627
圖像名稱：..\..\P0_Doc\img_data\apple-114.jpg，與目標圖像 apple-101.jpg 的相似值：0.6932278615425139
圖像名稱：..\..\P0_Doc\img_data\apple-112.jpg，與目標圖像 apple-101.jpg 的相似值：0.6959175186621991
圖像名稱：..\..\P0_Doc\img_data\pear-201.jpg，與目標圖像 apple-101.jpg 的相似值：0.6997766670329476
耗時：1.0362038612365723
?
5. 總結(jié)
總體來說，直方圖算法屬于一種傳統(tǒng)外觀相似算法，適用于一些簡單的圖像相似性比較問題，但直方圖反應(yīng)的是圖像灰度值得概率分布，并沒有圖像的空間位置信息在里面，因此，可能會出現(xiàn)誤判。比如紋理結(jié)構(gòu)相同，但明暗不同的圖像，應(yīng)該相似度很高，但實際結(jié)果是相似度很低，而紋理結(jié)構(gòu)不同，但明暗相近的圖像，相似度卻很高。
優(yōu)點
- 簡單直觀： 直方圖是一種簡單直觀的圖像表達方式，易于理解和實現(xiàn)。
- 快速計算： 直方圖的計算相對快速，特別是對于小尺寸的圖像。
- 顏色不變性： 直方圖在某種程度上對顏色的變化具有不變性，因此可以在一定程度上應(yīng)對圖像的輕微變形。
- 對光照變化有一定的魯棒性： 直方圖可以在一定程度上處理圖像的光照變化。
缺點
- 不考慮空間信息： 直方圖方法忽略了圖像的空間信息，對于圖像的排列、結(jié)構(gòu)等方面的變化較為敏感。
- 受噪聲影響： 如果圖像受到噪聲的影響，直方圖會受到一定程度的干擾。
- 灰度信息有限： 灰度直方圖只考慮了像素的灰度信息，對于顏色信息較為有限。
- 無法處理形狀變化： 直方圖方法難以處理圖像中物體的形狀變化。
?
6. 系列書簽
OpenCV書簽 #均值哈希算法的原理與相似圖片搜索實驗
OpenCV書簽 #感知哈希算法的原理與相似圖片搜索實驗
OpenCV書簽 #差值哈希算法的原理與相似圖片搜索實驗
OpenCV書簽 #直方圖算法的原理與相似圖片搜索實驗文章來源地址http://www.zghlxwxcb.cn/news/detail-817666.html
到了這里，關(guān)于OpenCV書簽 #直方圖算法的原理與相似圖片搜索實驗的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
