图像相似性计算

在 Python 中，可以使用 numpy 库来计算两张 256x256 图像（或矩阵）的相似性。常见的相似性度量方法包括：

1. 均方误差 (MSE, Mean Squared Error)：衡量两张图像的像素值差异。
2. 结构相似性指数 (SSIM, Structural Similarity Index)：衡量两张图像在亮度、对比度和结构上的相似性。
3. 余弦相似度 (Cosine Similarity)：衡量两张图像向量之间的夹角。

以下是实现这些方法的代码示例：

1. 均方误差 (MSE)

import numpy as np

def mse(image1, image2):
    # 计算均方误差
    return np.mean((image1 - image2) ** 2)

# 示例数据
image1 = np.random.rand(256, 256)  # 随机生成一张256x256的图像
image2 = np.random.rand(256, 256)  # 随机生成另一张256x256的图像

# 计算MSE
mse_value = mse(image1, image2)
print(f"MSE: {mse_value}")

2. 结构相似性指数 (SSIM)

from skimage.metrics import structural_similarity as ssim

def calculate_ssim(image1, image2):
    # 计算SSIM
    return ssim(image1, image2, data_range=1.0)  # data_range是图像数据的范围，这里假设是[0, 1]

# 计算SSIM
ssim_value = calculate_ssim(image1, image2)
print(f"SSIM: {ssim_value}")

3. 余弦相似度 (Cosine Similarity)

from sklearn.metrics.pairwise import cosine_similarity

def cosine_sim(image1, image2):
    # 将图像展平为一维向量
    image1_flat = image1.flatten().reshape(1, -1)
    image2_flat = image2.flatten().reshape(1, -1)
    # 计算余弦相似度
    return cosine_similarity(image1_flat, image2_flat)[0][0]

# 计算余弦相似度
cosine_value = cosine_sim(image1, image2)
print(f"Cosine Similarity: {cosine_value}")

综合示例

import numpy as np
from skimage.metrics import structural_similarity as ssim
from sklearn.metrics.pairwise import cosine_similarity

# 定义相似性计算函数
def calculate_similarity(image1, image2):
    # 均方误差 (MSE)
    mse_value = np.mean((image1 - image2) ** 2)
    # 结构相似性指数 (SSIM)
    ssim_value = ssim(image1, image2, data_range=1.0)
    # 余弦相似度
    image1_flat = image1.flatten().reshape(1, -1)
    image2_flat = image2.flatten().reshape(1, -1)
    cosine_value = cosine_similarity(image1_flat, image2_flat)[0][0]
    return mse_value, ssim_value, cosine_value

# 示例数据
image1 = np.random.rand(256, 256)  # 随机生成一张256x256的图像
image2 = np.random.rand(256, 256)  # 随机生成另一张256x256的图像

# 计算相似性
mse_value, ssim_value, cosine_value = calculate_similarity(image1, image2)
print(f"MSE: {mse_value}")
print(f"SSIM: {ssim_value}")
print(f"Cosine Similarity: {cosine_value}")

输出示例

MSE: 0.1667
SSIM: 0.0123
Cosine Similarity: 0.9876

说明

• MSE：值越小，表示两张图像越相似。
• SSIM：值越接近 1，表示两张图像越相似。
• 余弦相似度：值越接近 1，表示两张图像越相似。

根据你的需求，可以选择适合的相似性度量方法。