双文件夹图像相似性匹配（欧氏距离）报错排查与需求实现

错误原因 #

报错ValueError: Input vector should be 1-D是因为scipy.spatial.distance.euclidean要求输入必须是1维向量，但你传入的是2维灰度图像矩阵（形状为(H,W)），不符合函数的输入要求。

快速修复错误（仅解决报错，不满足需求） #

如果只是想先修复报错，把2维图像展平为1维向量即可，修改相似性计算的代码行：

# 原代码
s = dist.euclidean(input_img, input_img2)
# 修改后
s = dist.euclidean(input_img.flatten(), input_img2.flatten())

但这种像素级欧氏距离不符合你"仅依赖点的中心距离，不依赖点的直径大小"的需求，下面是符合需求的完整实现。

符合需求的相似性度量实现 #

你的核心需求是基于目标点的中心距离计算相似性，距离越小则匹配度越高。下面是具体实现步骤和代码修改：

1. 编写目标中心提取函数 #

首先实现一个从分割图像中提取目标中心坐标的函数（假设图像是二值分割结果，前景为白色）：

def get_centroid(img):
    # 二值化处理（确保前景为白色）
    _, binary_img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
    # 提取图像轮廓
    contours, _ = cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    if not contours:
        return (0, 0)  # 无目标时返回原点
    
    # 取面积最大的轮廓（假设单目标场景）
    largest_contour = max(contours, key=cv2.contourArea)
    # 计算轮廓矩
    contour_moments = cv2.moments(largest_contour)
    
    if contour_moments["m00"] == 0:
        return (0, 0)
    
    # 计算中心坐标
    center_x = int(contour_moments["m10"] / contour_moments["m00"])
    center_y = int(contour_moments["m01"] / contour_moments["m00"])
    return (center_x, center_y)

2. 修改相似性计算逻辑 #

替换原代码中的像素级欧氏距离计算，改为基于中心坐标的距离计算，同时修正匹配逻辑（中心距离越小，匹配度越高，所以取最小值而非最大值）：

# 替换原循环内的相似性计算部分
for image in range(images_list.shape[0]):
    input_img = images_list[image, :, :]
    # 提取两张图像的目标中心
    center1 = get_centroid(input_img)
    center2 = get_centroid(input_img2)
    # 计算中心间的欧氏距离
    distance = dist.euclidean(center1, center2)
    resultlist.append(float(distance))
    img_number += 1

# 修正匹配逻辑：找距离最小的图像（匹配度最高）
ll = min(resultlist)  # 原代码用max，这里改为min
Maxlist.append(float(ll))
MM = resultlist.index(ll)

3. 其他注意事项 #

• 如果你的图像不是二值分割图，需要先根据实际情况调整二值化阈值，确保能准确提取目标区域。
• 若存在多目标场景，可以修改get_centroid函数，比如计算所有目标中心的平均坐标，或者根据业务需求选择特定目标。

内容的提问来源于stack exchange，提问作者Fadil