Python 如何使用numpy比较多个数组，并识别差异最小的数组？

我有一组数组（20x40），其值介于0和255之间（灰度图像）

我需要将一个给定的数组与一组10个用作参考的数组进行比较，然后选择一个最接近给定图像的数组

我知道这看起来像OCR，但在这种情况下，OCR不能做任何好事

我已经试过计算abs（x-y），但是结果还不够好

捕获：

参考：

---

只需将像素相乘，然后取所有像素之和：

• （0,0）的图像1*（0,0）的图像2+（0,1）的图像1*（0,1）的图像2+

这类似于没有偏移的。（）

numpy中的命令只是

sum(a * b)

这个可能有个名字，但我不知道是什么

我猜你会把参考数字一个接一个地与测量图像进行比较，看看它是哪个数字

您必须首先将参考数字与其自身进行比较，以找出完美匹配的外观，并通过此对每个数字进行规范化以获得相似性。不完全匹配的值将小于此值。例如：

0 1 3
1 2 3
2 0 0

与自身相比将产生28，但与自身相比将产生25

0 1 3
0 2 3
1 0 0

---

所以你的匹配是25/28=0.89。因此，您知道第二张图像很接近，但不相同，我在bskyb解决了一个类似的问题，即从视频流中获取OCR帧

最后，我为图像中的每个数字创建了一个坐标字典

（x，y，w，h）

，并编写了一个脚本，生成了数百个这些数字，并将它们保存为掩码。然后，其中一名测试人员选择了最好的蒙版（失真最小的蒙版），并将其保存为数字1的1.bmp，数字2的2.bmb

我们必须为每个数字创建18个不同的图像，以支持不同的分辨率和纵横比。然后在OCR过程开始时将这些掩码加载到字典中。我们将图像存储为numpy数组

def load_samples(parent_dir=r'c:\masks'):
"""Loads the OCR samples of all digits of all possible variations into
memory.
"""
m = dict() # m is our map, a dict of lists of numpy arrays
for d in os.listdir(parent_dir):
    if not os.path.isdir(os.path.join(parent_dir, d)):
        continue
    m[d] = []
    for i in range(10): # 10 images [0..9]
        filename = os.path.join(parent_dir, d, '%d.bmp'%i)
        m[d].append(imread(filename))
return m 

然后，对于我们读取的每个图像，我们将其分成数字，将数字转换为numpy数组，并将其与所有遮罩进行比较，我们必须找到最接近的匹配项，并基于此进行选择。数字映射是从上面的加载样本返回的内容

def image2digit(image, digits_map, video_args):
"""Our home made OCR, we compare each image of digit with 10 images of all
possible digits [0..10] and return the closest match.
"""
def absdiff(img1, img2):
    func = numpy.vectorize(lambda a, b: abs(int(a)-int(b)))
    v = func(img1, img2)
    w = coordinates[video_args]['w']
    h = coordinates[video_args]['h']
    return numpy.sum(v)/(w*h) # takes the average

# convert the image to a numpy array
image_array = fromimage(image) # from scipy.misc
# compare it with all variations
scores = []
for (i, ir) in enumerate(digits_map[video_args]):
    scores.append(absdiff(ir, image_array))
# return the best match as a string
index = numpy.argmin(scores)
return str(index)

这对我们来说效果很好，除了在一些失真的帧中，6被OCR识别为5。我正在试验在比较之前将图像转换为灰度，看看这是否有助于解决扭曲图像的问题。

这是同样的问题，小心。。。我说真的！