### 计算两幅图像相似性地图的Python代码 以下是一个计算两幅图像相似性地图的示例代码，使用了OpenCV库中的结构相似性指数（SSIM）来生成相似性地图[^2]。此外，还结合了颜色直方图和纹理特征等方法来增强相似性地图的效果[^1]。 ```python import cv2 import numpy as np from skimage.metrics import structural_similarity as ssim def compute_similarity_map(image1_path, image2_path): # 读取图像 img1 = cv2.imread(image1_path, cv2.IMREAD_GRAYSCALE) img2 = cv2.imread(image2_path, cv2.IMREAD_GRAYSCALE) # 确保图像尺寸一致 if img1.shape != img2.shape: img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0])) # 计算结构相似性指数（SSIM） similarity_map, ssim_score = ssim(img1, img2, full=True) similarity_map = (1 - similarity_map) * 255 # 转换为0-255范围 similarity_map = similarity_map.astype(np.uint8) # 使用颜色直方图增强相似性地图 hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256]) hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256]) color_similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL) similarity_map = cv2.addWeighted(similarity_map, 0.7, similarity_map * color_similarity, 0.3, 0) # 使用纹理特征增强相似性地图 texture_similarity = cv2.matchTemplate(img1, img2, cv2.TM_CCOEFF_NORMED) texture_similarity = cv2.normalize(texture_similarity, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U) similarity_map = cv2.addWeighted(similarity_map, 0.6, texture_similarity, 0.4, 0) return similarity_map, ssim_score # 示例调用 similarity_map, ssim_score = compute_similarity_map('image1.jpg', 'image2.jpg') cv2.imshow('Similarity Map', similarity_map) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 代码说明 1. **图像读取与预处理**：首先读取两幅图像并将其转换为灰度图像，以减少计算复杂度。如果图像尺寸不一致，则对第二幅图像进行缩放以匹配第一幅图像的尺寸[^2]。 2. **结构相似性指数（SSIM）**：使用`structural_similarity`函数计算两幅图像的结构相似性，并生成相似性地图。该地图反映了两幅图像在局部区域的相似程度。 3. **颜色直方图**：通过计算两幅图像的颜色直方图及其相关性，进一步增强相似性地图的效果。 4. **纹理特征**：利用模板匹配技术计算两幅图像的纹理相似性，并将其与结构相似性地图融合[^1]。 ### 注意事项 - 需要安装`opencv-python`和`scikit-image`库。 - 输入图像应为灰度图像，以简化计算过程。 - 相似性地图的值越高，表示两幅图像在对应区域的差异越大。