Вот что я хотел бы сделать:
Я регулярно снимаю с помощью веб-камеры. Вроде как промежуток времени. Однако, если ничего не изменилось, то есть картинка выглядит примерно так же, я не хочу сохранять последний снимок.
Я полагаю, что есть какой-то способ количественной оценки разницы, и мне придется эмпирически определить порог.
Я ищу простоту, а не совершенство. Я использую Python.
Ответы:
Главная идея
Вариант 1. Загрузите оба изображения в виде массивов (
scipy.misc.imread
) и рассчитайте поэлементную (попиксельную) разницу. Рассчитайте норму разницы.Вариант 2. Загрузите оба изображения. Рассчитайте некоторый вектор признаков для каждого из них (например, гистограмму). Рассчитайте расстояние между векторами объектов, а не изображениями.
Тем не менее, есть некоторые решения, которые необходимо принять в первую очередь.
Вопросы
Сначала вы должны ответить на эти вопросы:
Являются ли изображения одинаковой формы и размера?
Если нет, вам может понадобиться изменить их размер или обрезать. Библиотека PIL поможет сделать это на Python.
Если они взяты с одинаковыми настройками и тем же устройством, они, вероятно, одинаковы.
Хорошо ли выровнены изображения?
Если нет, вы можете сначала запустить взаимную корреляцию, чтобы сначала найти лучшее выравнивание. SciPy имеет функции для этого.
Если камера и сцена неподвижны, изображения, вероятно, будут хорошо выровнены.
Экспозиция изображений всегда одинакова? (Легкость / контрастность одинаковы?)
Если нет, вы можете нормализовать изображения.
Но будьте осторожны, в некоторых ситуациях это может принести больше вреда, чем пользы. Например, один яркий пиксель на темном фоне сделает нормализованное изображение совершенно другим.
Важна ли информация о цвете?
Если вы хотите заметить изменение цвета, у вас будет вектор значений цвета на точку, а не скалярное значение, как на изображении в оттенках серого. Вам нужно больше внимания при написании такого кода.
Есть ли четкие края на изображении? Они могут двигаться?
Если да, вы можете сначала применить алгоритм обнаружения ребер (например, рассчитать градиент с помощью преобразования Собеля или Превитта, применить некоторый порог), затем сравнить ребра в первом изображении с ребрами во втором.
Есть ли шум на изображении?
Все датчики загрязняют изображение некоторым количеством шума. Недорогие датчики имеют больше шума. Вы можете применить некоторое шумоподавление, прежде чем сравнивать изображения. Blur - самый простой (но не самый лучший) подход.
Какие изменения вы хотите заметить?
Это может повлиять на выбор нормы для разницы между изображениями.
Подумайте об использовании нормы Манхэттена (сумма абсолютных значений) или нулевой нормы (количество элементов не равно нулю), чтобы измерить, насколько изменилось изображение. Первый скажет вам, сколько изображение выключено, последний скажет только, сколько пикселей отличается.
пример
Я предполагаю, что ваши изображения хорошо выровнены, одинакового размера и формы, возможно, с разной экспозицией. Для простоты я преобразую их в оттенки серого, даже если они являются цветными (RGB) изображениями.
Вам понадобится этот импорт:
Основная функция, чтение двух изображений, преобразование в оттенки серого, сравнение и печать результатов:
Как сравнить.
img1
иimg2
2D-массивы SciPy здесь:Если файл представляет собой цветное изображение,
imread
возвращает трехмерный массив, средние RGB-каналы (последнюю ось массива) для получения интенсивности. Не нужно делать это для изображений в оттенках серого (например.pgm
):Нормализация тривиальна, вы можете выбрать нормализацию до [0,1] вместо [0,255].
arr
здесь массив SciPy, поэтому все операции поэлементны:Запустите
main
функцию:Теперь вы можете поместить все это в скрипт и запустить два изображения. Если мы сравним изображение с самим собой, нет никакой разницы:
Если мы размываем изображение и сравниваем его с оригиналом, есть некоторая разница:
PS Весь скрипт Compare.py .
Обновление: соответствующие методы
Поскольку вопрос касается видеопоследовательности, где кадры, вероятно, будут почти одинаковыми, а вы ищете что-то необычное, я хотел бы упомянуть некоторые альтернативные подходы, которые могут быть актуальны:
Я настоятельно рекомендую взглянуть на книгу «Обучение OpenCV», главы 9 (Части изображения и сегментация) и 10 (Отслеживание и движение). Первый учит использовать метод вычитания фона, второй дает некоторую информацию о методах оптического потока. Все методы реализованы в библиотеке OpenCV. Если вы используете Python, я предлагаю использовать OpenCV ≥ 2.3 и его
cv2
модуль Python.Самый простой вариант вычитания фона:
Более продвинутые версии учитывают временные ряды для каждого пикселя и обрабатывают нестатические сцены (например, движущиеся деревья или траву).
Идея оптического потока состоит в том, чтобы взять два или более кадров и назначить вектор скорости каждому пикселю (плотный оптический поток) или некоторым из них (разреженный оптический поток). Для оценки разреженного оптического потока вы можете использовать метод Лукаса-Канаде (он также реализован в OpenCV). Очевидно, что если поток большой (среднее среднее по максимальным значениям поля скорости), то что-то движется в кадре, и последующие изображения более различны.
Сравнение гистограмм может помочь обнаружить внезапные изменения между последовательными кадрами. Этот подход был использован в Курбоне и др., 2010 :
источник
RuntimeWarning: invalid value encountered in double_scalars
строке 44 (return (arr-amin)*255/rng
) и вValueError: array must not contain infs or NaNs
строке 30 (z_norm = norm(diff.ravel(), 0)
)rng
равен нулю. Просто добавьте чек и установитеrng = 1
Простое решение:
Закодируйте изображение в формате JPEG и найдите существенное изменение в размере файла .
Я реализовал нечто подобное с миниатюрами видео, и добился большого успеха и масштабируемости.
источник
Вы можете сравнить два изображения, используя функции из PIL .
Объект diff - это изображение, в котором каждый пиксель является результатом вычитания значений цвета этого пикселя во втором изображении из первого изображения. Используя разностное изображение, вы можете сделать несколько вещей. Самым простым является
diff.getbbox()
функция. Он скажет вам минимальный прямоугольник, который содержит все изменения между вашими двумя изображениями.Вероятно, вы можете реализовать аппроксимации других вещей, упомянутых здесь, используя функции из PIL.
источник
Два популярных и относительно простых метода: (а) евклидово расстояние уже предложено, или (б) нормализованная взаимная корреляция. Нормализованная взаимная корреляция имеет тенденцию быть заметно более устойчивой к изменениям освещения, чем простая взаимная корреляция. Википедия дает формулу для нормализованной взаимной корреляции . Существуют и более сложные методы, но они требуют немного больше работы.
Используя похожий на numpy синтаксис,
Предполагая, что
i1
иi2
2D массив изображений в градациях серого.источник
Тривиальная вещь, чтобы попробовать:
Измените оба изображения на маленькие миниатюры (например, 64 x 64) и сравните пиксели за пикселем с определенным порогом. Если исходные изображения почти одинаковы, уменьшенные эскизы будут очень похожими или даже точно такими же. Этот метод заботится о шуме, который может возникнуть, особенно в условиях низкой освещенности. Это может быть даже лучше, если вы перейдете в оттенках серого.
источник
Я обращаюсь конкретно к вопросу о том, как вычислить, достаточно ли они различны. Я предполагаю, что вы можете понять, как вычитать пиксели один за другим.
Во- первых, я бы кучу изображений с ничего не меняется, и узнать сумму максимальной , что любой пиксель изменяет только из - за изменений в захвате, шум в системе формирования изображения, артефакты сжатия JPEG, и момент к моменту изменения освещения , Возможно, вы обнаружите, что следует ожидать разницы в 1 или 2 бита, даже когда ничего не происходит.
Затем для «настоящего» теста вам нужен такой критерий:
Так что, возможно, если E = 0,02, P = 1000, это будет означать (приблизительно), что он будет «другим», если какой-либо один пиксель изменится более чем на ~ 5 единиц (при условии 8-битных изображений), или если более 1000 у пикселей были какие-либо ошибки вообще.
Это предназначено главным образом как хороший метод «сортировки» для быстрой идентификации изображений, которые достаточно близки, чтобы не нуждаться в дальнейшем рассмотрении. Изображения, которые «терпят неудачу», могут тогда быть более сложным / дорогим методом, который не имел бы ложных срабатываний, если камера, например, немного дрожала, или была более устойчивой к изменениям освещения.
Я запускаю проект с открытым исходным кодом, OpenImageIO , который содержит утилиту под названием «idiff», которая сравнивает различия с такими пороговыми значениями (даже более сложными, на самом деле). Даже если вы не хотите использовать это программное обеспечение, вы можете посмотреть на источник, чтобы увидеть, как мы это сделали. Он используется в коммерческих целях довольно редко, и эта методика пороговой разработки была разработана для того, чтобы у нас мог быть набор тестов для программного обеспечения рендеринга и обработки изображений с «опорными изображениями», которые могут иметь небольшие отличия от платформы к платформе или поскольку мы внесли небольшие изменения в алгоритмы, поэтому мы хотели, чтобы операция «соответствовала в пределах допуска».
источник
У меня была похожая проблема на работе, я переписывал нашу конечную точку преобразования изображений и хотел убедиться, что новая версия выдает тот же или почти такой же вывод, что и старая версия. Итак, я написал это:
https://github.com/nicolashahn/diffimg
Он работает с изображениями одинакового размера и на уровне каждого пикселя, измеряет разницу значений в каждом канале: R, G, B (, A), берет среднюю разницу этих каналов и затем усредняет разницу по все пиксели, и возвращает соотношение.
Например, для 10х10 изображений с белыми пикселями и того же изображения, но с одним пикселем, он стал красным, разница в этом пикселе составляет 1/3 или 0,33 ... (RGB 0,0,0 против 255,0,0 ) и для всех остальных пикселей равен 0. При 100 пикселях всего 0,33 ... / 100 = разность изображения ~ 0,33%.
Я считаю, что это отлично подойдет для проекта OP (я понимаю, что это очень старая публикация, но она публикуется для будущих StackOverflowers, которые также хотят сравнивать изображения в python).
источник
Большинство ответов не будут касаться уровней освещения.
Я бы сначала нормализовал изображение до стандартного уровня освещения, прежде чем делать сравнение.
источник
Еще один приятный, простой способ измерить сходство между двумя изображениями:
Если другие заинтересованы в более эффективном способе сравнения сходства изображений, я соберу учебник и веб- приложение для измерения и визуализации похожих изображений с помощью Tensorflow.
источник
skimage
действительно приятно использовать для этого приложения. Яfrom skimage.measure import compare_ssim, compare_mse
много использую. skimage.measure документы .Вы видели Алгоритм для поиска похожих изображений вопрос? Проверьте это, чтобы увидеть предложения.
Я бы предложил вейвлет-преобразование ваших фреймов (для этого я написал расширение C с использованием преобразования Хаара); затем, сравнивая индексы наибольших (пропорционально) вейвлет-факторов между двумя изображениями, вы должны получить числовое приближение сходства.
источник
Я прошу прощения, если уже слишком поздно, чтобы ответить, но так как я делал что-то подобное, я думал, что мог бы как-то помочь.
Может быть, с OpenCV вы могли бы использовать сопоставление с шаблоном. Предполагая, что вы используете веб-камеру, как вы сказали:
Совет: max_val (или min_val в зависимости от используемого метода) даст вам числа, большие числа. Чтобы получить разницу в процентах, используйте сопоставление шаблонов с тем же изображением - результат будет вашим 100%.
Псевдокод для примера:
Надеюсь, поможет.
источник
Расстояние от землеройных машин может быть именно тем, что вам нужно. Это может быть слишком трудно реализовать в режиме реального времени, хотя.
источник
Как насчет расчета Манхэттенского расстояния двух изображений. Это дает вам n * n значений. Тогда вы могли бы сделать что-то вроде среднего по строке, чтобы уменьшить до n значений, и функцию над этим, чтобы получить одно единственное значение.
источник
Мне очень повезло с изображениями jpg, снятыми одной и той же камерой на штативе, благодаря (1) значительному упрощению (например, переходу от 3000 пикселей в ширину до 100 пикселей или даже меньше) (2) сведению каждого массива jpg в один вектор (3) попарно коррелирует последовательные изображения с помощью простого алгоритма корреляции для получения коэффициента корреляции (4) квадратный коэффициент корреляции для получения r-квадрата (то есть доли изменчивости в одном изображении, объясняемой изменением в следующем) (5), как правило, в моем приложении если r-квадрат <0,9, я говорю, что два изображения разные, и что-то произошло между ними.
Это надежно и быстро в моей реализации (Mathematica 7)
Стоит поиграть с той частью изображения, которая вас интересует, и сфокусироваться на ней, подрезая все изображения в этой маленькой области, в противном случае отдаленное от камеры, но важное изменение будет пропущено.
Я не знаю, как использовать Python, но уверен, что он тоже делает корреляции, нет?
источник
Вы можете вычислить гистограмму обоих изображений, а затем рассчитать коэффициент Бхаттачарьи , это очень быстрый алгоритм, и я использовал его для обнаружения изменений в кадре в видео по крикету (в C с использованием openCV)
источник
Посмотрите, как вейвлеты Haar реализованы в isk-daemon . Вы можете использовать его код C ++ imgdb для вычисления различий между изображениями на лету:
источник
У меня была та же проблема, и я написал простой модуль Python, который сравнивает два изображения одинакового размера, используя ImageChops подушки, для создания черно-белого разностного изображения и суммирует значения гистограммы.
Вы можете получить либо этот счет напрямую, либо процентное значение по сравнению с полным черным или белым различием.
Он также содержит простую функцию is_equal с возможностью задания нечеткого порога для (и в том числе) прохода изображения как равного.
Подход не очень сложен, но, возможно, полезен для других, кто борется с той же проблемой.
https://pypi.python.org/pypi/imgcompare/
источник
Несколько более принципиальный подход заключается в использовании глобального дескриптора для сравнения изображений, такого как GIST или CENTRIST. Хеш-функция, как описано здесь , также предоставляет аналогичное решение.
источник
вывод:
False
True
image2 \ 5.jpg image1 \ 815.jpg
image2 \ 6.jpg image1 \ 819.jpg
image2 \ 7.jpg image1 \ 900.jpg
image2 \ 8.jpg image1 \ 998.jpg
image2 \ 9.jpg image1 \ 1012 .jpg
Пример изображения:
815.jpg
5.jpg
источник
Я думаю, что вы могли бы просто вычислить евклидово расстояние (т. Е. Sqrt (сумма квадратов разностей, пиксель за пикселем)) между яркостью двух изображений и считать их равными, если оно падает ниже некоторого эмпирического порога. И вам лучше сделать это, оборачивая функцию C.
источник
Существует множество метрик для оценки того, как выглядят два изображения / как они выглядят.
Я не буду вдаваться в какой-либо код здесь, потому что я думаю, что это должна быть научная проблема, а не техническая проблема.
Как правило, этот вопрос связан с восприятием человека на изображениях, поэтому каждый алгоритм имеет свою поддержку черт зрительной системы человека.
Классические подходы:
Предиктор видимых различий: алгоритм оценки точности изображения ( https://www.spiedigitallibrary.org/conference-proceedings-of-spie/1666/0000/Visible-differences-predictor--an-algorithm-for-the-- оценка-из / 10.1117 / 12.135952.short? SSO = 1 )
Оценка качества изображения: от видимости ошибок до структурного сходства ( http://www.cns.nyu.edu/pub/lcv/wang03-reprint.pdf )
FSIM: индекс сходства функций для оценки качества изображения ( https://www4.comp.polyu.edu.hk/~cslzhang/IQA/TIP_IQA_FSIM.pdf )
Среди них SSIM (оценка качества изображения: от видимости ошибки до структурного сходства) является самым простым для вычисления, и его накладные расходы также невелики, как сообщается в другой статье «Оценка качества изображения на основе градиентного сходства» ( https: //www.semanticscholar .org / paper / Оценка качества изображения на основе градиента - Лю-Лин / 2b819bef80c02d5d4cb56f27b202535e119df988 ).
Есть много других подходов. Взгляните на Google Scholar и найдите что-то вроде «визуальной разницы», «оценки качества изображения» и т. Д., Если вы заинтересованы / действительно заботитесь об искусстве.
источник
Существует простое и быстрое решение, использующее numpy путем вычисления среднего квадрата ошибки:
источник