python中两个rgb图像的相似性度量

我有两个相同大小的rgb图像，我想计算一个相似性度量。我想从欧几里德距离开始：

import scipy.spatial.distance as dist
import cv2

im1 = cv2.imread("im1.jpg")
im2 = cv2.imread("im2.jpg")

>> im1.shape
(820, 740, 3)

>> dist.euclidean(im1,im2)

ValueError: Input vector should be 1-D.

我知道，

dist.euclidean

需要一个一维数组，而

im1

和

im2

是三维数组，但是有没有一个功能可以与三维数组一起工作，或者有没有可能将

im1

和

im2

转换成一个一维数组来保存图像中的信息？

你可以试试看

import scipy.spatial.distance as dist
import cv2
import numpy as np

im1 = cv2.imread("im1.jpg")
im2 = cv2.imread("im2.jpg")

dist.euclidean(im1.flatten(), im2.flatten())

---

您可以对两幅图像使用“重塑”功能，将它们从三维转换为一维

import scipy.spatial.distance as dist
import cv2

im1 = cv2.imread("im1.jpg")
im2 = cv2.imread("im2.jpg")

im1.reshape(1820400)
im2.reshape(1820400)

dist.euclidean(im1,im2)

灰度解（？） （下面讨论您对“保留图像中信息”功能的评论） 在我看来，您可能可以使用灰度图像而不是RGB图像来解决此问题。我知道我在做假设，但这是一个想法

我将尝试一个与您的代码相关的简单示例，然后给出一个使用2D离散傅里叶变换的图像相似性度量示例，该变换使用灰度转换。DFT分析将有自己的部分

（如果您在进行中看到此消息，我深表歉意。我只是想确保我的工作得到保存。）

基于我的假设，我将用一些RGB图像尝试你的方法，然后看看是否可以通过转换为灰度来解决这个问题。如果问题是用灰度解决的，我们可以通过使用所有三个通道的组合（每个通道分别进行比较）来找到图像相似性，从而分析灰度解决方案带来的信息损失量

方法

确保我有所有的库/包/你想叫它们的任何东西

> python -m pip install opencv-python
> python -m pip install scipy
> python -m pip install numpy

请注意，在本次试验中，我使用了一些PNG图像，这些图像是在尝试（如下所述）使用2D DFT时创建的

确保我遇到同样的问题

>导入scipy.spatial.distance作为dist
>>>进口cv2
>>>
>>>im1=cv2.imread（“rhino1_clean.png”）
>>>im2=cv2.imread（“rhino1_streak.png”）
>>>
>>>im1.1形状
(178, 284, 3)
>>>
>>>欧氏距离（im1，im2）
##一些追踪的东西##
ValueError:输入向量应为1-D。

现在，让我们尝试使用灰度。如果这样做有效，我们可以简单地找到每个RGB通道的距离。我希望它能起作用，因为我想做信息丢失分析

让我们转换为灰度：

>>im1\u gray=cv2.cvt颜色（im1，cv2.COLOR\u bgr2灰色）
>>>im2_gray=cv2.CVT颜色（im2，cv2.COLOR_BGR2GRAY）
>>>im1_灰色形状
(178, 284)

一个简单的

dist.euclidean（im1\u gray，im2，gray）

将导致相同的

值错误：输入向量应该是一维的。

例外，但我知道灰度图像数组（像素行数组）的结构，所以我做以下操作

>dists=[]
>>>对于范围（0，len（im1_灰色））内的i：
...   dists.append（dist.euclidean（im1\u gray[i]，im2\u gray[i]））
...
>>>总和距离=总和（距离）
>>>平均距离=总距离/长度（距离）
>>>阿乌区
2185.9891304058297

顺便说一下，这是两张原始图像：

灰度（配合按摩）起作用，让我们试试颜色

按照此答案中的一些步骤，让我们执行以下操作

---

保存资料 在分析（）之后，让我们看看我们的信息丢失。（请注意，这将是一个非常幼稚的分析，但我想尝试一下

灰度与颜色信息的对比

让我们看看颜色和灰度的对比。稍后，我们可以看看我们是否保留了关于距离的信息

使用灰度与所有三个通道对不同距离度量进行比较-使用一组图像的距离和比率进行比较。

我不知道如何对距离进行熵测量，但我的直觉告诉我，如果我使用灰度和颜色通道计算距离，如果我没有丢失任何信息，我应该得出类似的距离比率

---

看到这个问题时，我的第一个想法是使用二维离散傅里叶变换，我相信Python、NumPy或OpenCV中都有这种变换。基本上，DFT的第一个组件将与图像中的大形状相关。（我将在这里发表一篇相关的研究论文：。我没有仔细看——欢迎任何人提出其他建议。）

因此，让我查找一个容易从Python获得的二维DFT，然后我将返回到编写一些工作代码

（如果您在进行中看到此消息，我深表歉意。我只是想确保我的工作得到保存。）

首先，你需要确保你有

PIL

枕头

和

NumPy

。看起来你有

NumPy

，但这里有一些说明。（注意，我现在在Windows上）

现在，这里有5张图片-

犀牛图片，

rhino1_clean.jpg

（）

我在MS Paint中绘制的带有一些黑色条纹的相同图像，

rhino1_streak.jpg

另一张犀牛图片，

rhino2_clean.jpg

（）

第一张河马图片

hippo1_clean.jpg

（）

第二张河马图片，

hippo2_clean.jpg

（）

所有图像均合理使用

好的，现在，为了进一步说明，让我们转到Python交互终端

>python

导入PIL >>>将numpy作为np导入 首先，如果我们使用灰度PNG图像，生活会更轻松-PNG因为它是一个直位图（而不是压缩图像），灰度是因为我不必显示通道的所有细节

>>rh\u img\u 1\u cln=PIL.Image.open（“rhino1\u clean.jpg”）
>>>rh_img_1_cln.save（“rhino1_clean.png”）
>>>rh\u img\u 1\u cln\u gs=PIL.Image.open（“rhino1\u clean.png”）.convert（“LA”）
>>>rh_img_1_cln_gs.save（“rhino1_clean_gs.png”）

> python -m pip install opencv-python > python -m pip install numpy > python -m pip install pillow