### Python 实现图片差异对比及相似度计算 #### 方法一：像素差比较 通过逐个像素点的灰度值相减，可以得到两个图像之间对应位置上的绝对误差之和。这种方法简单直接，但容易受到光照变化的影响。 ```python import cv2 import numpy as np def pixel_difference(imageA, imageB): # 将图像转换成灰度图 grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY) # 计算两幅图像之间的绝对差分 diff = cv2.absdiff(grayA, grayB) # 统计非零元素的数量作为差异程度衡量标准 score = (np.sum(diff != 0)) / float(diff.size) return score, diff ``` 此函数返回一个分数以及表示差异区域的地图[^1]。 #### 方法二：结构相似性指数（SSIM） 该算法不仅考虑亮度、对比度还加入了人类视觉系统的特性来进行评估，因此更能反映主观感受下的质量损失情况。 ```python from skimage.metrics import structural_similarity as ssim def calculate_ssim(imageA, imageB): grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY) # 计算 SSIM 值 similarity_score, _ = ssim(grayA, grayB, full=True) return similarity_score ``` 这里 `calculate_ssim` 函数接收两张彩色图像作为输入参数，并输出其间的 SSIM 数值范围 [-1, 1] ，其中越接近于 1 表明两者间具有更高的相似性。 #### 方法三：基于ORB特征检测器的关键点匹配 对于一些复杂场景下，单纯依靠颜色或纹理信息可能不足以准确描述对象关系时，则可借助局部不变量特征来辅助分析。 ```python def orb_feature_matching(imageA, imageB): orb = cv2.ORB_create() kpA, desA = orb.detectAndCompute(imageA, None) kpB, desB = orb.detectAndCompute(imageB, None) bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(desA,desB) match_points = [] for m in matches: ptA = kpA[m.queryIdx].pt ptB = kpB[m.trainIdx].pt distance = ((ptA[0]-ptB[0])**2+(ptA[1]-ptB[1])**2)**(0.5) if distance<30: # 设置阈值过滤掉距离过远的匹配点对 match_points.append(m) good_matches = sorted(match_points, key=lambda x:x.distance)[:10] img_match = cv2.drawMatches(imageA,kpA,imageB,kpB,good_matches,None,flags=2) return len(good_matches),img_match ``` 上述代码实现了 ORB 特征提取与 BFMatcher 配准过程，最终绘制出前十个最佳匹配结果并统计有效配对数目以量化相似水平。