Как я могу сравнить два NSImages для различий?

Question

Я пытаюсь измерить разницу в процентах между двумя изображениями.

После прочтения у меня, кажется, есть несколько вариантов, но я не уверен, какой лучший способ следовать:

1. Простота кодирования
2. Производительность.

Методы, которые я видел:

Не зависит от языка - академический Сравнение изображений - быстрый алгоритм и прямой доступ к пикселям для Mac http://www.markj.net/iphone-uiimage-pixel-color/

Кто-нибудь может посоветовать, какие решения наиболее целесообразны для двух вышеупомянутых случаев и имеют примеры кода, показывающие, как их применять?

Answer 1

Я успешно рассчитал разницу между двумя изображениями, используя технику гистограммы, упомянутую здесь.Ответ Redmoskito на SO вопрос , на который вы ссылались, на самом деле был моим вдохновением!

Ниже приводится обзор алгоритма, который я использовал:

1. Преобразование изображений воттенки серого - сравните один канал вместо трех.
2. Разделите каждое изображение на n * n сетку «субизображений».Затем для пары подизображений:
   1. Рассчитайте их гистограммы цветовой композиции.
   2. Рассчитайте абсолютную разницу между двумя гистограммами.
3. Максимальная найденная разница междудва изображения - это мера различия двух изображений.Другие метрики также могут быть использованы (например, средняя разница между подизображениями).

Как отметил Цкуцци в своем ответе, если ваша конечная цель - двоичный файл "да, эти два изображения (примерно) одинаковы"или" нет, это не так ", вам нужно какое-то значимое пороговое значение.Вы можете получить такое значение, передавая изображения в алгоритм и настраивая пороговое значение, основываясь на его выводе и на том, насколько похожи вы думаете изображения.Я полагаю, что это форма машинного обучения .

Я недавно написал сообщение в блоге на эту тему, хотя и как часть более широкой цели.Я также создал простое приложение для iPhone, чтобы продемонстрировать алгоритм.Вы можете найти источник на GitHub ;возможно это поможет?

Answer 2

Это какой-то старый мерзкий Фортран, но он должен дать вам базовый подход. Это совсем не сложно. В связи с тем, что я делаю это на двухцветной палитре, вы должны выполнить эту операцию для R, G и B. То есть вычислить интенсивности или значения в каждой ячейке / пикселе, сохранить их в некотором массиве. Сделайте то же самое для другого изображения и вычтите один массив из другого, это оставит вас с каким-то прекрасным изображением вычитания. Я бы посоветовал сделать так, как предлагают парни выше, вычислить величину суммы компонентов R, G и B, чтобы вы просто получили одно значение. Запишите это в массив, сделайте то же самое для другого изображения, затем вычтите. Затем создайте новый диапазон для R, G или B и сопоставьте полученный вычтенный массив с этим, в результате получится намного более четкое изображение.

* =============================================================
      SUBROUTINE SUBTRACT(FNAME1,FNAME2,IOS)
*     This routine writes a model to files
* =============================================================
*    Common :
      INCLUDE 'CONST.CMN'
      INCLUDE 'IO.CMN'
      INCLUDE 'SYNCH.CMN'
      INCLUDE 'PGP.CMN'
*    Input :
      CHARACTER fname1*(sznam),fname2*(sznam)
*    Output :
      integer IOS
*    Variables:
       logical glue
       character fullname*(szlin)
       character dir*(szlin),ftype*(3)
       integer i,j,nxy1,nxy2
       real si1(2*maxc,2*maxc),si2(2*maxc,2*maxc)
* =================================================================

       IOS = 1
       nomap=.true.

       ftype='map'
       dir='./pictures'

!    reading first image
       if(.not.glue(dir,fname2,ftype,fullname))then
           write(*,31) fullname
           return
       endif

       OPEN(unit2,status='old',name=fullname,form='unformatted',err=10,iostat=ios)

       read(unit2,err=11)nxy2
       read(unit2,err=11)rad,dxy
       do i=1,nxy2
          do j=1,nxy2
             read(unit2,err=11)si2(i,j)
          enddo
       enddo

       CLOSE(unit2)


!    reading second image
       if(.not.glue(dir,fname1,ftype,fullname))then
           write(*,31) fullname
           return
       endif

       OPEN(unit2,status='old',name=fullname,form='unformatted',err=10,iostat=ios)

       read(unit2,err=11)nxy1
       read(unit2,err=11)rad,dxy
       do i=1,nxy1
          do j=1,nxy1
             read(unit2,err=11)si1(i,j)
          enddo
       enddo

       CLOSE(unit2)

!    substracting images 
       if(nxy1.eq.nxy2)then 
           nxy=nxy1
           do i=1,nxy1
              do j=1,nxy1
                 si(i,j)=si2(i,j)-si1(i,j)
              enddo
           enddo
       else
          print *,'SUBSTRACT: Different sizes of image arrays'
          IOS=0 
          return
       endif

*  normal finishing
       IOS=0 
       nomap=.false.
       return

*  exceptional finishing
10     write (*,30) fullname
       return
11     write (*,32) fullname
       return

30     format('Cannot open file   ',72A)
31     format('Improper filename   ',72A)
32     format('Error reading from file   ',72A)

      end
! =============================================================

Надеюсь, это пригодится. Всего наилучшего.

Answer 3

Действительно сложно что-то предложить, если вы не расскажете нам больше об изображениях или вариациях.Они формы?Это разные объекты, и вы хотите знать, какой класс объектов?Являются ли они одним и тем же объектом, и вы хотите различить экземпляр объекта?Это лица?Это отпечатки пальцев?Находятся ли объекты в одной позе?Под таким же освещением?

Когда вы говорите «производительность», что именно вы имеете в виду?Насколько велики изображения?В общем, это действительно зависит.Исходя из того, что вы сказали, если это только простота кодирования и производительность, я бы предложил просто найти абсолютную величину разницы пикселей.Это очень легко кодировать и примерно так же быстро, как и получается, но на самом деле вряд ли будет работать для чего-либо, кроме самых синтетических примеров.

При этом я хотел бы указать вам: DHOG, GLOH, SURFи SIFT.

Answer 4

Вы можете использовать довольно простую технику вычитания, предложенную парнями выше. @carlosdc ударил ногтем по голове в отношении типа изображения, для которого можно использовать эту базовую технику. Я приложил пример, чтобы вы могли увидеть результаты для себя.

Первый показывает изображение из моделирования в некоторый момент времени t. Второе изображение было вычтено из первого, которое было снято через некоторое время (симуляция) t + dt. Вычтенное изображение (черно-белое для ясности) показывает, как изменилось моделирование за это время. Это было сделано, как описано выше, и является очень мощным и легко кодируемым.

Надеюсь, это поможет вам в некотором роде

Answer 5

Из методов, описанных в вашей первой ссылке, метод сравнения гистограмм является самым простым в коде и самым быстрым. Однако сопоставление ключевых точек даст гораздо более точные результаты, поскольку вы хотите знать точное число, описывающее разницу между двумя изображениями.

Чтобы реализовать метод гистограммы, я бы сделал следующее:

1. Вычисление красной, зеленой и синей гистограмм каждого изображения
2. Суммируйте различия между каждым ведром
3. Если разница превышает определенный порог, то процент составляет 0%
4. В остальном цвета на изображениях одинаковы. Так что сделайте сравнение пикселей за пикселем и конвертируйте разницу в процент.

Я не знаю точных алгоритмов поиска ключевых точек изображения. Однако, как только вы найдете их для каждого изображения, вы можете сделать попиксельное сравнение для каждой из ключевых точек.