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
CV之Hog+HamMingDistance:基于Hog提取和汉明距离对比的应用—图像相似度对比之for循环将多个成对图片依次对比并输出相似度
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 Hamming_Distance(img1,img2,mark): 2. if mark=="avg": 3. hash1=avg_Hash(img1) 4. hash2=avg_Hash(img2) 5. elif mark=="dif": 6. hash1=difference_Hash(img1) 7. hash2=difference_Hash(img2) 8. 9. n=0 10. if len(hash1)!=len(hash2): 11. return -1 12. for i in range(len(hash1)): 13. if hash1[i]!=hash2[i]: 14. n=n+1 15. res=1-n/len(hash1) 16. return res