資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學如何在OpenCV Python中比較兩張影像？
為了比較兩張影像，我們使用兩張影像畫素值的均方誤差 (MSE)。相似的影像將具有較小的均方誤差值。使用此方法，我們可以比較具有相同高度、寬度和通道數的兩張影像。
步驟
您可以使用以下步驟來使用OpenCV比較兩張影像：
匯入所需的庫。在以下所有Python示例中，所需的Python庫是OpenCV。請確保您已安裝它。
import cv2
使用cv2.imread()讀取輸入影像並將其轉換為灰度影像。影像的高度、寬度和通道數必須相同。
img1 = cv2.imread('panda.png')
img2 = cv2.imread('panda1.png')
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
定義一個函式來計算兩張影像之間的均方誤差。
def mse(img1, img2): h, w = img1.shape diff = cv2.subtract(img1, img2) err = np.sum(diff**2) mse = err/(float(h*w)) return mse
計算影像之間的均方誤差（匹配誤差）。
error = mse(img1, img2)
列印影像匹配誤差 (mse) 並顯示影像差異。
print("Image matching Error between the two images:", mse)
cv2.imshow("Contour", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
列印結果值，影像形狀匹配指標。值越低，匹配度越高。
print("Matching Image 1 with Image 2:", ret12)
讓我們來看一些示例以便更好地理解。
我們將在下面的示例中使用以下影像作為輸入檔案。
示例1
在這個例子中，我們建立了一個簡單的具有四層且沒有前向函式的人工神經網路。
# import required libraries import cv2 import numpy as np # load the input images img1 = cv2.imread('panda.jpg') img2 = cv2.imread('panda1.jpg') # convert the images to grayscale img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) # define the function to compute MSE between two images def mse(img1, img2): h, w = img1.shape diff = cv2.subtract(img1, img2) err = np.sum(diff**2) mse = err/(float(h*w)) return mse, diff error, diff = mse(img1, img2) print("Image matching Error between the two images:",error) cv2.imshow("difference", diff) cv2.waitKey(0) cv2.destroyAllWindows()
輸出
執行後，它將在控制檯上產生以下輸出：
Image matching Error between the two images: 3.0696934396076028
我們將看到以下視窗顯示兩張影像之間的差異：
示例2
在這個Python程式中，我們比較三張影像。
import cv2 import numpy as np import matplotlib.pyplot as plt img1 = cv2.imread('panda.jpg') img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) h, w = img1.shape img2 = cv2.imread('panda1.jpg') img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) img3 = cv2.imread('bike.jpg') img3 = cv2.cvtColor(img3, cv2.COLOR_BGR2GRAY) def error(img1, img2): diff = cv2.subtract(img1, img2) err = np.sum(diff**2) mse = err/(float(h*w)) msre = np.sqrt(mse) return mse, diff match_error12, diff12 = error(img1, img2) match_error13, diff13 = error(img1, img3) match_error23, diff23 = error(img2, img3) print("Image matching Error between image 1 and image 2:",match_error12) print("Image matching Error between image 1 and image 3:",match_error13) print("Image matching Error between image 2 and image 3:",match_error23) plt.subplot(221), plt.imshow(diff12,'gray'),plt.title("image1 - Image2"),plt.axis('off') plt.subplot(222), plt.imshow(diff13,'gray'),plt.title("image1 - Image3"),plt.axis('off') plt.subplot(223), plt.imshow(diff23,'gray'),plt.title("image2 - Image3"),plt.axis('off') plt.show()
輸出
執行上述Python程式後，將在控制檯上產生以下輸出：
Image matching Error between image 1 and image 2: 3.0696934396076028 Image matching Error between image 1 and image 3: 23.37356529736358 Image matching Error between image 2 and image 3: 24.15752299202943
我們將看到以下視窗，顯示影像之間的差異：
請注意，影像1和影像2之間的匹配誤差小於影像1和3之間的匹配誤差以及影像2和3之間的匹配誤差。因此，影像1和影像2更相似。
更新於：2023年8月23日
7萬+ 次瀏覽
廣告