Python中如何使用OpenCV比较两张图像的相似度

现有方案的核心问题 #

• 冗余磁盘IO：预处理后的图像矩阵不需要写入本地临时文件再读取，完全可以在内存中完成格式转换对接后续逻辑，省去文件读写、删除的额外开销，比对速度会有明显提升，也不会出现文件权限错误、残留文件占用磁盘的问题
• 代码逻辑bug：
  • os.remove仅支持传入单个完整文件路径参数，现有传参方式会直接抛出类型错误
  • 参考图预处理后保存为datagray.jpg，哈希计算时读取的是datagray.jpeg，后缀不匹配会触发文件不存在错误
  • 参考图做了固定尺寸resize，待比对的采集图没有做相同尺寸对齐，会引入不必要的哈希计算误差
  • 硬编码绝对路径做文件删除，换运行环境会直接报错
• 跨库调用冗余：需求明确优先使用OpenCV，可以直接在OpenCV生态内实现哈希计算，不需要额外依赖PIL、imagehash库

优化后实现 #

方案1：保留感知哈希逻辑，消除冗余IO #

不需要写临时文件，OpenCV处理完的矩阵在内存中直接转PIL格式对接imagehash即可，修正后的代码如下：

import cv2
import numpy as np
from PIL import Image
import imagehash

def compareImg(imgWarpColor, threshold=5, ref_img_path="data.jpg", standard_size=(660, 880)):
    # 预处理参考图
    ref_img = cv2.imread(ref_img_path)
    ref_img = cv2.resize(ref_img, standard_size)
    ref_img_gray = cv2.cvtColor(ref_img, cv2.COLOR_BGR2GRAY)
    ref_img_blur = cv2.GaussianBlur(ref_img_gray, (3,3), 0)
    # 内存中转PIL格式，无需写临时文件
    ref_pil = Image.fromarray(cv2.cvtColor(ref_img_blur, cv2.COLOR_BGR2RGB))
    hash_ref = imagehash.average_hash(ref_pil)

    # 预处理待比对图，和参考图做完全一致的尺寸、预处理操作
    target_img = cv2.resize(imgWarpColor, standard_size)
    target_img_gray = cv2.cvtColor(target_img, cv2.COLOR_BGR2GRAY)
    target_img_blur = cv2.GaussianBlur(target_img_gray, (3,3), 0)
    target_pil = Image.fromarray(cv2.cvtColor(target_img_blur, cv2.COLOR_BGR2RGB))
    hash_target = imagehash.average_hash(target_pil)

    hash_diff = hash_ref - hash_target
    print(f"哈希差值：{hash_diff}")
    return hash_diff < threshold

方案2：纯OpenCV实现（无额外依赖） #

如果要完全基于OpenCV实现，可以直接用OpenCV实现均值哈希/差值哈希算法，不需要引入其他第三方库，示例代码如下：

import cv2
import numpy as np

def aHash(img, size=(8,8)):
    # 均值哈希实现
    img_resize = cv2.resize(img, size, interpolation=cv2.INTER_CUBIC)
    img_gray = cv2.cvtColor(img_resize, cv2.COLOR_BGR2GRAY) if len(img_resize.shape)==3 else img_resize
    pixel_mean = np.mean(img_gray)
    hash_str = ''
    for i in range(size[1]):
        for j in range(size[0]):
            hash_str += '1' if img_gray[i,j] > pixel_mean else '0'
    return hash_str

def hammingDist(hash1, hash2):
    # 计算汉明距离
    return np.sum([1 for i in range(len(hash1)) if hash1[i]!=hash2[i]])

def compareImg(imgWarpColor, threshold=5, ref_img_path="data.jpg", standard_size=(660, 880)):
    # 预处理参考图
    ref_img = cv2.imread(ref_img_path)
    ref_img = cv2.resize(ref_img, standard_size)
    ref_img_gray = cv2.cvtColor(ref_img, cv2.COLOR_BGR2GRAY)
    ref_img_blur = cv2.GaussianBlur(ref_img_gray, (3,3), 0)
    hash_ref = aHash(ref_img_blur)

    # 预处理待比对图
    target_img = cv2.resize(imgWarpColor, standard_size)
    target_img_gray = cv2.cvtColor(target_img, cv2.COLOR_BGR2GRAY)
    target_img_blur = cv2.GaussianBlur(target_img_gray, (3,3), 0)
    hash_target = aHash(target_img_blur)

    hash_diff = hammingDist(hash_ref, hash_target)
    print(f"哈希差值：{hash_diff}")
    return hash_diff < threshold

调参建议 #

• 相似度阈值可以根据实际场景调整：一般汉明距离小于5判定为高度相似，5~10判定为中度相似，大于10基本为不同图像
• 如果采集的图像存在光照偏差，可以把高斯模糊核调大，或者改用感知哈希（pHash）代替平均哈希，抗干扰性更强
• 如果图像存在旋转、裁剪偏移，不建议用哈希算法，可以改用OpenCV的ORB特征点匹配做相似度计算，鲁棒性更好

内容的提问来源于stack exchange，提问作者xkycc