可以使用图像处理软件或者编程语言进行相似度对比。常用的指标有：
1. 均方误差（MSE）：计算每个像素的差异，再求平均值。公式：MSE = 1/nΣ(i=1,n)(I1(i)-I2(i))^2，其中I1和I2是两张图片对应像素的灰度值，n是像素数量。MSE越小，表示图片越相似。
2. 结构相似度指标（SSIM）：考虑到人眼对于图像细节的敏感程度，比MSE更能反映图像的相似度。SSIM计算公式较为复杂，包含对于亮度、对比度、结构等因素的综合考虑。
3. 归一化互相关（NCC）：计算两张图片的互相关系数，越接近1则表示图片越相似。公式：NCC = Σ(i=1,n)(I1(i)-u1)*(I2(i)-u2) / sqrt(Σ(i=1,n)(I1(i)-u1)^2*Σ(i=1,n)(I2(i)-u2)^2)，其中u1和u2是图片的均值。
使用以上指标进行对比比较直观，但要注意的是，不同指标适用于不同类型的图片，具体选择应根据实际情况而定。文章来源：https://www.toymoban.com/news/detail-661385.html
以下是代码实现（python）：文章来源地址https://www.toymoban.com/news/detail-661385.html
# coding=utf-8
import cv2
from skimage.metrics import structural_similarity
import numpy as np
import matplotlib.pyplot as plt
"""
图片相似度
"""
# 方法一、均方误差（MSE）
def mse(imageA, imageB):
"""
均方误差（MSE）：计算每个像素的差异，再求平均值。
公式：MSE = 1/nΣ(i=1,n)(I1(i)-I2(i))^2，
其中I1和I2是两张图片对应像素的灰度值，n是像素数量。
注意：两张图片必须有相同的维度，
MSE越小，表示图片越相似
@param imageA: 图片1
@param imageB: 图片2
@return: MSE越小，表示图片越相似
"""
# print(imageA.astype("float"))
# print(imageB.astype("float"))
# 对应像素相减并将结果累加
err = np.sum((imageA.astype("float") - imageB.astype("float")) ** 2)
# 进行误差归一化
err /= float(imageA.shape[0] * imageA.shape[1])
# 返回结果，值越小，表示图片越相似
return err
# 方法二、结构相似度指标（SSIM）
def ssim(imageA, imageB):
"""
考虑到人眼对于图像细节的敏感程度，
比MSE更能反映图像的相似度。
SSIM计算公式较为复杂，包含对于亮度、对比度、结构等因素的综合考虑。
@param imageA: 图片1
@param imageB: 图片2
@return: SSIM计算公式较为复杂包含对于亮度、对比度、结构等因素的综合考虑。
"""
# ssim_val = cv2.SSIM(imageA, imageB)
# ssim_val = structural_similarity(imageA, imageB, data_range=255, multichannel=True)
ssim_val = structural_similarity(imageA, imageB, data_range=255, channel_axis=1)
return ssim_val
# 方法三、归一化互相关（NCC）
def ncc(imageA, imageB):
"""
归一化互相关（NCC）：计算两张图片的互相关系数，越接近1则表示图片越相似。
公式：NCC = Σ(i=1,n)(I1(i)-u1)*(I2(i)-u2) / sqrt(Σ(i=1,n)(I1(i)-u1)^2*Σ(i=1,n)(I2(i)-u2)^2)，
其中u1和u2是图片的均值。
@param imageA: 图片1
@param imageB: 图片2
@return: ncc_val 越接近1则表示图片越相似
"""
meanA = np.mean(imageA)
meanB = np.mean(imageB)
ncc_val = np.sum((imageA - meanA) * (imageB - meanB)) / (
np.sqrt(np.sum((imageA - meanA) ** 2)) * np.sqrt(np.sum((imageB - meanB) ** 2)))
return ncc_val
def compare_images(imageA, imageB, title):
# 分别计算输入图片的MSE和SSIM指标值的大小
m = mse(imageA, imageB)
s = ssim(imageA, imageB)
# 创建figure
fig = plt.figure(title)
plt.suptitle("MSE: %.2f, SSIM: %.2f" % (m, s))
# plt.suptitle("MSE: %.2f, SSIM: %.2f" % (m, 1))
# 显示第一张图片
ax = fig.add_subplot(1, 2, 1)
plt.imshow(imageA, cmap=plt.cm.gray)
plt.axis("off")
# 显示第二张图片
ax = fig.add_subplot(1, 2, 2)
plt.imshow(imageB, cmap=plt.cm.gray)
plt.axis("off")
plt.tight_layout()
plt.show()
def test1():
# # 读取图片
original1 = cv2.imread("1.png")
contrast1 = cv2.imread("2.png")
shopped1 = cv2.imread("4.png")
h1, w1 = cv2.imread("1.png", cv2.IMREAD_GRAYSCALE).shape
original1 = cv2.resize(original1, (h1, w1))
contrast1 = cv2.resize(contrast1, (h1, w1))
shopped1 = cv2.resize(shopped1, (h1, w1))
# 将彩色图转换为灰度图
original = cv2.cvtColor(original1, cv2.COLOR_BGR2GRAY)
contrast = cv2.cvtColor(contrast1, cv2.COLOR_BGR2GRAY)
shopped = cv2.cvtColor(shopped1, cv2.COLOR_BGR2GRAY)
# # 初始化figure对象
# fig = plt.figure("Images")
# images = ("Original", original), ("Enhance", contrast), ("Others", shopped)
# # 遍历每张图片
# for (i, (name, image)) in enumerate(images):
# # 显示图片
# ax = fig.add_subplot(1, 3, i + 1)
# ax.set_title(name)
# plt.imshow(image, cmap=plt.cm.gray)
# plt.axis("off")
# plt.tight_layout()
# plt.show()
# 比较图片
compare_images(original, original, "Original vs Original")
compare_images(original, contrast, "Original vs Enhance")
compare_images(original, shopped, "Original vs Others")
def test2():
img1 = cv2.imread("2.png", cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread("4.png", cv2.IMREAD_GRAYSCALE)
h1, w1 = img1.shape
img1 = cv2.resize(img1, (h1, w1))
img2 = cv2.resize(img2, (h1, w1))
print('mse : ', mse(img1, img2))
print('ssim : ', ssim(img1, img2))
print('ncc : ', ncc(img1, img2))
if __name__ == '__main__':
# test2()
test1()
到了这里，关于对比多张图片相似度（PYTHON）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
