### 使用Python计算图像特征相似度 #### 基于直方图的相似性度量 为了衡量两幅图像之间的相似性，可以通过比较它们的颜色直方图来进行。颜色直方图描述了图像中不同颜色强度级别的频率分布情况[^1]。 ```python import cv2 from sklearn.metrics import mean_squared_error as mse def calculate_histogram_similarity(image_path_1, image_path_2): # 加载图像并转换为HSV色彩空间 img1 = cv2.imread(image_path_1) img2 = cv2.imread(image_path_2) hsv_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV) hsv_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2HSV) # 计算每张图片的直方图 hist_img1 = cv2.calcHist([hsv_img1], [0, 1], None, [50, 60], [0, 180, 0, 256]) hist_img2 = cv2.calcHist([hsv_img2], [0, 1], None, [50, 60], [0, 180, 0, 256]) # 归一化处理 cv2.normalize(hist_img1, hist_img1, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX) cv2.normalize(hist_img2, hist_img2, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX) # 比较两个直方图 similarity_score = cv2.compareHist(hist_img1, hist_img2, method=cv2.HISTCMP_CORREL) return similarity_score ``` 此函数`calculate_histogram_similarity()`接收两张待比较图像路径作为输入参数，并返回一个介于[-1,+1]之间表示相关性的数值；其中越接近+1意味着更高度匹配而靠近-1则代表差异较大。 #### 结构相似性指数（SSIM） 除了基于直方图的方法外，还可以采用结构相似性指数(Structural Similarity Index Measure)，这是一种更加贴近人类视觉系统的评价标准[^2]。 ```python from skimage.measure import compare_ssim as ssim import imutils def structural_similarity_index(imageA, imageB): grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY) (score, diff) = ssim(grayA, grayB, full=True) return score ``` 上述代码定义了一个名为`structural_similarity_index()`的新功能，它接受原始灰度版本的两副图像作为参数，并利用skimage库中的ssim()函数来评估这两者间的结构性一致性程度。