这篇文章主要介绍了Opencv判断颜色相似的图片示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
问题描述
有一个项目，大体是要判断一下一篇文章内的配图突不突兀。
素材准备
所以就从网上随便找了4张图：
可以看出，前3张图片从颜色上、从阅读感受上，应该是相似的，而最后一张应该是不同的。
而当我们只对图片做缩放(为了跑得快)，然后用bgr通道出直方图算相似度时：
却发现，只有第一张和第二张图片的相似度是大于0.5的，而第二、三张，以及第三、四张图片之间的相似度几乎都小于等于0.1。
思考方法
于是，经过思考后我觉得，判断两张图片在颜色上相不相似，其本质在于判断其直方图分布的形状相不相似，而不应该考虑是偏左还是偏右、是偏亮还是偏暗。一个图像亮一点，但其实它们还是相似的。
基于这个思想，我先暴力的把BGR以及HLS，三个通道先相互独立的直接均衡化，验证了判断分布形状的可行性。但同时，发现相互独立的均衡化会导致对于不同图片的分辨能力降低。所以，由此推论出，应该是把亮度拉平均衡化，同时相关联的影响到其他通道的变化。
所以，最后想出的方案是：
- 先把图片缩放至统一大小，提升运算速度。
- 把图像从BGR通道转至HSV通道(经实验，HSV通道比HLS通道效果好)。
- 把HSV中的V(明度)进行均衡化(equalizeHist)。
- 再把图像从HSV通道转回BGR通道，从而达到在均衡亮度的同时影响其他通道的目的。
- 最后，利用BGR通道进行相似度计算，大于0.5的即可认为是相似。
测试结果
可以发现，经过处理后，第一、二张图片，以及第二、三张图片之间的相似度已经大于0.7，而第三、四张图片的相似度则只有0.4左右。已经达到了我们开始时的目标。
不足之处
- 只对V通道的均衡进行了探寻，没有研究其他通道可能的关联。
- 第三、四张图片经过处理后的相似度有点高，需要想办法降低。
代码
import cv2 as cv import numpy as np from matplotlib import pyplot as plt def create_rgb_hist(image): """"创建 RGB 三通道直方图（直方图矩阵）""" h, w, c = image.shape # 创建一个（16*16*16,1）的初始矩阵，作为直方图矩阵 # 16*16*16的意思为三通道每通道有16个bins rgbhist = np.zeros([16 * 16 * 16, 1], np.float32) bsize = 256 / 16 for row in range(h): for col in range(w): b = image[row, col, 0] g = image[row, col, 1] r = image[row, col, 2] # 人为构建直方图矩阵的索引，该索引是通过每一个像素点的三通道值进行构建 index = int(b / bsize) * 16 * 16 + int(g / bsize) * 16 + int(r / bsize) # 该处形成的矩阵即为直方图矩阵 rgbhist[int(index), 0] += 1 plt.ylim([0, 10000]) plt.grid(color='r', linestyle='--', linewidth=0.5, alpha=0.3) return rgbhist def hist_compare(hist1, hist2): """直方图比较函数""" '''# 创建第一幅图的rgb三通道直方图（直方图矩阵） hist1 = create_rgb_hist(image1) # 创建第二幅图的rgb三通道直方图（直方图矩阵） hist2 = create_rgb_hist(image2)''' # 进行三种方式的直方图比较 match1 = cv.compareHist(hist1, hist2, cv.HISTCMP_BHATTACHARYYA) match2 = cv.compareHist(hist1, hist2, cv.HISTCMP_CORREL) match3 = cv.compareHist(hist1, hist2, cv.HISTCMP_CHISQR) print("巴氏距离：%s, 相关性：%s, 卡方：%s" % (match1, match2, match3)) def handle_img(img): img = cv.resize(img, (100, 100)) img = cv.cvtColor(img, cv.COLOR_BGR2HSV) img[:, :, 2] = cv.equalizeHist(img[:, :, 2]) img = cv.cvtColor(img, cv.COLOR_HSV2BGR) return img img1 = cv.imread("1.jpg-600") img1 = handle_img(img1) cv.imshow("img1", img1) img2 = cv.imread("2.jpg-600") img2 = handle_img(img2) cv.imshow("img2", img2) img3 = cv.imread("3.jpg-600") img3 = handle_img(img3) cv.imshow("img3", img3) img4 = cv.imread("4.jpg-600") img4 = handle_img(img4) cv.imshow("img4", img4) hist1 = create_rgb_hist(img1) hist2 = create_rgb_hist(img2) hist3 = create_rgb_hist(img3) hist4 = create_rgb_hist(img4) plt.subplot(1, 4, 1) plt.title("hist1") plt.plot(hist1) plt.subplot(1, 4, 2) plt.title("hist2") plt.plot(hist2) plt.subplot(1, 4, 3) plt.title("hist3") plt.plot(hist3) plt.subplot(1, 4, 4) plt.title("hist4") plt.plot(hist4) hist_compare(hist1, hist2) hist_compare(hist2, hist3) hist_compare(hist3, hist4) plt.show() cv.waitKey(0) cv.destroyAllWindows()以上就是Opencv判断颜色相似的图片示例代码的详细内容，更多请关注0133技术站其它相关文章！
