理工酷
资源下载
选项1：将两个图像都加载为数组（scipy.misc.imread），然后计算逐个元素（逐像素）的差异。计算差异的范数。
选项2：加载两个图像。计算每个特征向量的某些特征向量（如直方图）。计算特征向量之间的距离，而不是图像。
你应该首先回答以下问题： 1.图像的形状和尺寸是否相同？ 如果没有，你可能需要调整大小或裁剪它们。使用Python的PIL库可以做到这一点。如果使用相同的设置和相同的设备拍摄它们，则它们可能是相同的。
2.图像是否正确对齐？ 如果不是，则可能要先运行互相关，即首先找到最佳对齐方式。SciPy具有执行此功能的功能。如果相机和场景静止不动，则图像更可能对齐良好。
3.图像的曝光是否总是一样？（亮度/对比度是否相同？）
如果不是，则可能要对图像进行标准化。但是要小心，在某些情况下，这样做可能弊大于利。例如，深色背景上的单个明亮像素将使标准化图像非常不同。
4.颜色信息重要吗？ 如果要注意颜色变化，则将计算每个点颜色值的向量，而不是灰度图像中的标量值。编写此类代码时，需要更多注意。
5.图像中是否有明显的边缘？他们可能会移动吗？ 如果是，则可以先应用边缘检测算法（例如，使用Sobel或Prewitt变换计算梯度，应用一些阈值），然后将第一个图像上的边缘与第二个图像上的边缘进行比较。
6.图像中是否有噪点？ 所有传感器都会在一定程度上污染图像。低成本传感器噪声更大。在比较图像之前一个进行一些降噪处理。在这里，模糊是最简单（但不是最好）的方法。
7.你想注意哪些变化？ 这可能会影响要用于图像之间差异的标准的选择。考虑使用曼哈顿范数（绝对值的总和）或零范数（元素数量不等于零）来衡量图像变化了多少。前者将告诉你图像有哪些不同，后者将仅告诉你有多少像素不同。
举个例子 我假设图像对齐良好，大小和形状相同，并且可能具有不同的曝光度。为简单起见，即使它们是彩色（RGB）图像，我也将它们转换为灰度。 你将需要导入这些：
import sys
from scipy.misc import imread
from scipy.linalg import norm
from scipy import sum, average
主要功能，读取两个图像，转换为灰度，比较结果：
def main():
file1, file2 = sys.argv[1:1+2]
# read images as 2D arrays (convert to grayscale for simplicity)
img1 = to_grayscale(imread(file1).astype(float))
img2 = to_grayscale(imread(file2).astype(float))
# compare
n_m, n_0 = compare_images(img1, img2)
print "Manhattan norm:", n_m, "/ per pixel:", n_m/img1.size
print "Zero norm:", n_0, "/ per pixel:", n_0*1.0/img1.size
如何比较。img1和img2是2D SciPy的阵列：
def compare_images(img1, img2):
# normalize to compensate for exposure difference, this may be unnecessary
# consider disabling it
img1 = normalize(img1)
img2 = normalize(img2)
# calculate the difference and its norms
diff = img1 - img2 # elementwise for scipy arrays
m_norm = sum(abs(diff)) # Manhattan norm
z_norm = norm(diff.ravel(), 0) # Zero norm
return (m_norm, z_norm)
如果文件是彩色图像，则imread返回一个3D数组，平均RGB通道（最后一个数组轴）来获取强度。对于灰度图像（例如.pgm）无需这样做：
def to_grayscale(arr):
"If arr is a color image (3D array), convert it to grayscale (2D array)."
if len(arr.shape) == 3:
return average(arr, -1) # average over the last axis (color channels)
else:
return arr
标准化很简单，你可以选择标准化为[0,1]而不是[0,255]。arr是一个SciPy数组，因此所有操作都是按元素进行的：
def normalize(arr):
rng = arr.max()-arr.min()
amin = arr.min()
return (arr-amin)*255/rng
运行main函数：
if __name__ == "__main__":
main()
现在，你可以将所有内容放入脚本中并运行两个图像。如果我们将图像与其自身进行比较，则没有区别：
$ python compare.py one.jpg one.jpg
Manhattan norm: 0.0 / per pixel: 0.0
Zero norm: 0 / per pixel: 0.0
如果我们模糊图像并与原始图像进行比较，则存在一些差异：
$ python compare.py one.jpg one-blurred.jpg
Manhattan norm: 92605183.67 / per pixel: 13.4210411116
Zero norm: 6900000 / per pixel: 1.0
