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

输出结果

代码实现

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