ML之Cosin:基于输入图片RGB均值化转为单向vector利用Cosin(余弦相似度)算法进行判别
ML之Cosin:基于输入图片RGB均值化转为单向vector利用Cosin(余弦相似度)算法进行判别
目录
相关文章
ML之相似度计算:图像数据、字符串数据等计算相似度常用的十种方法简介、代码实现
ML之Hash_EditDistance&Hash_HammingDistance&Hog_HanMing&Cosin&SSIM:基于输入图片利用多种算法进行判别CV之Hog+HamMingDistance:基于Hog提取和汉明距离对比的应用—图像相似度对比之for循环将多个成对图片依次对比并输出相似度
ML之Hash_EditDistance:基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法进行判别
ML之Hash_HamMingDistance:基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用汉明距离算法进行判别
ML之Hog_HammingDistance:基于Hog特征提取“RGB”图像的768个值的单向vector利用汉明距离算法进行判别
ML之Cosin:基于输入图片RGB均值化转为单向vector利用Cosin(余弦相似度)算法进行判别
ML之SSIM:基于输入图片RGB的三维向量利用SSIM(结构相似性度量)算法进行判别
输出结果
代码实现
-
def Cosin(self, img_pat1, img_pat2):
-
image1 = Image.open(img_pat1)
-
image2 = Image.open(img_pat2)
-
-
image1 = self.get_thum(image1)
-
image2 = self.get_thum(image2)
-
image1_array = np.array(image1)
-
images = [image1, image2]
-
vectors = []
-
norms = []
-
for image in images:
-
vector = []
-
for pixel_tuple in image.getdata():
-
vector.append(average(pixel_tuple))
-
vectors.append(vector)
-
norms.append(linalg.norm(vector, 2))
-
vectors_array=np.array(vectors)
-
a, b = vectors
-
a_array=np.array(a)
-
a_norm, b_norm = norms
-
res = dot(a / a_norm, b / b_norm)
-
return res
文章来源: yunyaniu.blog.csdn.net,作者:一个处女座的程序猿,版权归原作者所有,如需转载,请联系作者。
原文链接:yunyaniu.blog.csdn.net/article/details/103401333
- 点赞
- 收藏
- 关注作者
评论(0)