Nano Hash - криптовалюты, майнинг, программирование

Алгоритм сравнения двух изображений с шаблоном — Python

Я хотел бы попросить вас о помощи. Я студент и для научных исследований разрабатываю систему, в которой один из модулей отвечает за сравнение простых изображений низкого разрешения (img, jpg, jpeg, png, gif). Однако мне нужно руководство, могу ли я написать реализацию на Python и с чего начать. Может быть, кто-то из вас когда-то встречался с чем-то подобным и смог бы поделиться своими знаниями.

Выпуск 1 — простой вариант. Входные данные необходимо сравнить с образцом (включая изображения), а выходные данные будут содержать информацию о степени сходства (в процентах) и образ образца, с которым данный вход является наиболее похожим. В этой версии предполагается, что входное изображение никак не модифицируется (т.е. не поворачивается, не наклоняется и т. д.)

Выпуск 2 - сложный вариант. Входные данные необходимо сравнить с образцом (включая изображения), а выходные данные будут содержать информацию о степени сходства (в процентах) и образ образца, с которым данный вход является наиболее похожим. В этой версии предполагается, что входное изображение можно повернуть

Может кто-нибудь из вас, ребята, сказать мне, что мне нужно сделать, и с чего начать. Я буду признателен за любую помощь.

python python-2.7 scipy computer-vision image-processing
11.10.2013

  • Можете ли вы загрузить несколько примеров изображений? 11.10.2013
  • Хорошо, есть два изображения: шаблон и шаблон ввода: i.stack.imgur.com/4Fsjx.jpg Ввод: i.stack.imgur.com/xUHhB.jpg 11.10.2013
  • Что означает, что два изображения «похожи»? Для меня это совершенно неочевидно, и я полагаю, что ответ на этот вопрос будет половиной вашей задачи здесь. 12.10.2013

Ответы:


1

Для начала вы можете читать изображения с помощью matplotlib или библиотеки изображений Python (PIL). Сравнение с шаблоном может быть выполнено путем взаимной корреляции, которую вы можете сделать, используя scipyили numpy. Поскольку у вас всего несколько пикселей, я бы выбрал numpy, который не использует преобразования Фурье.

import pylab as P
import numpy as N

# read the images    
im1 = P.imread('4Fsjx.jpg')
im2 = P.imread('xUHhB.jpg')

# do the crosscorrelation
conv = N.convolve(im1, im2)
# a measure for similarity then is:
sim = N.sum(N.flatten(conv))

обратите внимание, это очень быстрый и грязный подход, и вам следует потратить немало мыслей на то, как его улучшить, даже не включая ротацию, о которой вы упомянули. Во всяком случае; этот код может считываться с ваших изображений и давать вам меру сходства, хотя convolve не будет работать с данными с цветовой кодировкой. Надеюсь, это даст вам с чего начать.

11.10.2013
  • Я попробую этот быстрый код. Возможно, сначала я сделал изображение монохромным и попытался очистить фон от шума. 11.10.2013

    • 2

    Вот начало в виде псевдокода. Я настоятельно рекомендую получить numpy/scipy, чтобы помочь с этим.

    #read the input image:
files = glob.glob('*.templates')
listOfImages = []
for elem in files:
  imagea = scipy.misc.imread(elem)
  listOfImages.append(imagea)

#read input/test imagea
targetImage = scipy.misc.imread(targetImageName)

    теперь прокрутите каждый из listOfImages и вычислите примечание «расстояние», что это, вероятно, самая сложная часть. Как вы определите, похожи ли два изображения? Используя прямое сравнение пикселей? Используя гистограммы изображения, используя некоторую метрику выравнивания изображения (это было бы полезно для вашей сложной версии). Некоторые из простых ошибок: я заметил, что ваши загруженные изображения были разных размеров. Если изображения имеют разный размер, вам придется перемещаться по изображениям. Кроме того, можно ли масштабировать изображения? Затем вам нужно будет либо иметь метрику, инвариантную к масштабу, либо попробовать развертку по разным шкалам.

    #keep track of the min distance
minDistance = Distance(targetImage,listOfImages[0])
minIndex = 0
for index,elem in enumerate(listOfImages):
  currentDistance = Distance(targetImage,elem)
  if currentDistance < minDistance:
    minDistance = currentDistance
    minIndex = index

    Функция расстояния — вот где проблемы, но я оставлю это для вас.

    11.10.2013
  • Хуже всего то, что я не график и понятия не имею, какой метод был бы идеальным (?). Еще одна плохая вещь, у меня нет поддержки от моего учителя, потому что он недоступен до следующего марта!!! Так что я один. Кроме того, я не программист (я администратор базы данных), поэтому я немного знаю Python. Я нахожу решение с помощью OCR, но... OCR не распознает буквы/цифры (в большинстве случаев это будут буквы/цифры без изображений). 11.10.2013
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..