Простой и быстрый способ сравнения изображений на сходство

я сталкиваюсь с теми же проблемами в последнее время, чтобы решить эту проблему(простой и быстрый алгоритм для сравнения двух изображений) раз и навсегда, я вношу модуль img_hash к opencv_contrib, вы можете найти детали от этой ссылке.

модуль img_hash предоставляет шесть алгоритмов хэширования изображений, довольно простых в использовании.

пример коды

происхождения Лена

размытие Лена

изменить размер Лена

сдвиг Лена

#include <opencv2/core.hpp>
#include <opencv2/core/ocl.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/img_hash.hpp>
#include <opencv2/imgproc.hpp>

#include <iostream>

void compute(cv::Ptr<cv::img_hash::ImgHashBase> algo)
{
    auto input = cv::imread("lena.png");
    cv::Mat similar_img;

    //detect similiar image after blur attack
    cv::GaussianBlur(input, similar_img, {7,7}, 2, 2);
    cv::imwrite("lena_blur.png", similar_img);
    cv::Mat hash_input, hash_similar;
    algo->compute(input, hash_input);
    algo->compute(similar_img, hash_similar);
    std::cout<<"gaussian blur attack : "<<
               algo->compare(hash_input, hash_similar)<<std::endl;

    //detect similar image after shift attack
    similar_img.setTo(0);
    input(cv::Rect(0,10, input.cols,input.rows-10)).
            copyTo(similar_img(cv::Rect(0,0,input.cols,input.rows-10)));
    cv::imwrite("lena_shift.png", similar_img);
    algo->compute(similar_img, hash_similar);
    std::cout<<"shift attack : "<<
               algo->compare(hash_input, hash_similar)<<std::endl;

    //detect similar image after resize
    cv::resize(input, similar_img, {120, 40});
    cv::imwrite("lena_resize.png", similar_img);
    algo->compute(similar_img, hash_similar);
    std::cout<<"resize attack : "<<
               algo->compare(hash_input, hash_similar)<<std::endl;
}

int main()
{
    using namespace cv::img_hash;

    //disable opencl acceleration may(or may not) boost up speed of img_hash
    cv::ocl::setUseOpenCL(false);

    //if the value after compare <= 8, that means the images
    //very similar to each other
    compute(ColorMomentHash::create());

    //there are other algorithms you can try out
    //every algorithms have their pros and cons
    compute(AverageHash::create());
    compute(PHash::create());
    compute(MarrHildrethHash::create());
    compute(RadialVarianceHash::create());
    //BlockMeanHash support mode 0 and mode 1, they associate to
    //mode 1 and mode 2 of PHash library
    compute(BlockMeanHash::create(0));
    compute(BlockMeanHash::create(1));
}

в этом случае ColorMomentHash даст нам лучший результат

• gaussian blur attack: 0.567521
• shift attack: 0.229728
• изменение размера атаки: 0.229358

плюсы и минусы каждого алгоритма

производительность img_hash тоже хорош

сравнение скорости с библиотекой PHash (100 изображений из ukbench)

Если вы хотите знать рекомендуемые пороги для этих алгоритмов, пожалуйста, проверьте это post(http://qtandopencv.blogspot.my/2016/06/introduction-to-image-hash-module-of.html). Если вам интересно, как я могу измерить производительность модулей img_hash(включая скорость и различные атаки), пожалуйста, проверьте это link(http://qtandopencv.blogspot.my/2016/06/speed-up-image-hashing-of-opencvimghash.html).

содержит ли скриншот только значок? Если это так, то расстояния L2 двух изображений может быть достаточно. Если расстояние L2 не работает, следующий шаг-попробовать что-то простое и хорошо установленное, например: Лукаса-Канаде. Который, я уверен, доступен в OpenCV.

Если вы можете быть уверены, что точное выравнивание вашего шаблона (значок) в области тестирования, то любая старая сумма различий пикселей будет работать.

Если выравнивание будет только немного выключено, то вы можете низко пропускать оба изображения с cv:: GaussianBlur прежде чем найти сумму пиксельных различий.

Если качество выравнивания потенциально плохое, то я бы рекомендовал либо a гистограмма ориентированных градиентов или один удобных алгоритмов обнаружения/дескриптора ключевых точек OpenCV (таких как просеять или SURF).

Если вы хотите получить индекс о сходстве двух изображений, я предлагаю вам из метрики индекс SSIM. Это больше соответствует человеческому глазу. Вот статья об этом: Индекс Структурного Сходства

Он также реализован в OpenCV, и его можно ускорить с помощью GPU:OpenCV SSIM с GPU

Если для сопоставления идентичных изображений-код для расстояния L2

// Compare two images by getting the L2 error (square-root of sum of squared error).
double getSimilarity( const Mat A, const Mat B ) {
if ( A.rows > 0 && A.rows == B.rows && A.cols > 0 && A.cols == B.cols ) {
    // Calculate the L2 relative error between images.
    double errorL2 = norm( A, B, CV_L2 );
    // Convert to a reasonable scale, since L2 error is summed across all pixels of the image.
    double similarity = errorL2 / (double)( A.rows * A.cols );
    return similarity;
}
else {
    //Images have a different size
    return 100000000.0;  // Return a bad value
}

быстро. Но не робастно к изменениям в освещении / точке зрения etc. источник

Если вы хотите сравнить изображение для сходства, я предлагаю вам использовать OpenCV. В OpenCV существует несколько сопоставлений функций и шаблонов. Для соответствовать характеристики, прибой, просеивает, быстрый и так далее детектор. Вы можете использовать это, чтобы обнаружить, описать и затем соответствовать образу. После этого, вы можете использовать определенный индекс, чтобы найти количество совпадений между двумя изображениями.