目录
相关文章
ML之相似度计算:图像数据、字符串数据等计算相似度常用的十种方法简介、代码实现
ML之Hash_EditDistance&Hash_HammingDistance&Hog_HanMing&Cosin&SSIM:基于输入图片利用多种算法进行判别
ML之Hash_EditDistance:基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法进行判别
ML之Hash_HamMingDistance:基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用汉明距离算法进行判别
ML之Hog_HammingDistance:基于Hog特征提取“RGB”图像的768个值的单向vector利用汉明距离算法进行判别
ML之Cosin:基于输入图片RGB均值化转为单向vector利用Cosin(余弦相似度)算法进行判别
ML之SSIM:基于输入图片RGB的三维向量利用SSIM(结构相似性度量)算法进行判别
输出结果
代码实现
1. def edit_dis(self, str1, str2): 2. len1 = len(str1) 3. len2 = len(str2) 4. dp = np.zeros((len1 + 1, len2 + 1)) 5. for i in range(len1 + 1): 6. dp[i][0] = i 7. for j in range(len2 + 1): 8. dp[0][j] = j 9. 10. for i in range(1, len1 + 1): 11. for j in range(1, len2 + 1): 12. temp = 0 if str1[i - 1] == str2[j - 1] else 1 13. dp[i][j] = min(dp[i - 1][j - 1] + temp, min(dp[i - 1][j] + 1, dp[i][j - 1] + 1)) 14. return dp[len1][len2]