Hướng dẫn euclidean distance between two images python - euclidean khoảng cách giữa hai hình ảnh python

Bài viết này đã được xuất bản như một phần của Blogathon khoa học dữ liệu.

Giới thiệu

Bạn đã bao giờ mơ ước xây dựng ứng dụng tương tự hình ảnh của riêng mình nhưng sợ rằng bạn không biết đủ về học tập sâu, mạng lưới thần kinh chập, v.v. Đừng lo. Hướng dẫn sau đây sẽ giúp bạn bắt đầu và giúp bạn mã hóa ứng dụng tương tự hình ảnh của riêng bạn với toán học cơ bản.

Trước khi chúng tôi nhảy vào toán học và mã, tôi sẽ hỏi bạn một câu hỏi đơn giản. Cho hai hình ảnh tham chiếu và một hình ảnh thử nghiệm, bạn nghĩ hình ảnh thử nghiệm của chúng tôi thuộc về hai:

Hình ảnh tham chiếu 1

Hình ảnh tham chiếu 2

Hình ảnh kiểm tra

Nếu bạn tin rằng hình ảnh thử nghiệm của chúng tôi tương tự như hình ảnh tham khảo đầu tiên của chúng tôi, bạn đúng. Nếu bạn tin khác thì hãy để Lừa tìm hiểu cùng với sức mạnh của toán học và lập trình.

Tương lai của tìm kiếm sẽ là về hình ảnh chứ không phải từ khóa. - Ben Silbermann, Giám đốc điều hành Pinterest.Ben Silbermann, Pinterest CEO.

Vector hình ảnh

Mỗi hình ảnh được lưu trữ trong máy tính của chúng tôi dưới dạng số và một vectơ của các số đó hoàn toàn có thể mô tả hình ảnh của chúng tôi được gọi là vectơ hình ảnh.

Khoảng cách Euclide:

Khoảng cách Euclide biểu thị khoảng cách giữa bất kỳ hai điểm nào trong không gian N chiều. Vì chúng tôi đang đại diện cho hình ảnh của chúng tôi là vectơ hình ảnh, chúng không là gì ngoài một điểm trong một không gian n chiều và chúng tôi sẽ sử dụng khoảng cách Euclide để tìm khoảng cách giữa chúng.

Histogram:

Biểu đồ là một màn hình đồ họa của các giá trị số. Chúng tôi sẽ sử dụng vectơ hình ảnh cho cả ba hình ảnh và sau đó tìm khoảng cách Euclide giữa chúng. Dựa trên các giá trị trả về hình ảnh với khoảng cách nhỏ hơn giống với giá trị khác.

Để tìm thấy sự tương đồng giữa hai hình ảnh, chúng tôi sẽ sử dụng phương pháp sau:

1. Đọc các tệp hình ảnh dưới dạng một mảng.
2. Vì các tệp hình ảnh được tô màu, có 3 kênh cho các giá trị RGB. Chúng tôi sẽ làm phẳng chúng sao cho mỗi hình ảnh là một mảng 1-D.
3. Khi chúng tôi có các tệp hình ảnh của mình dưới dạng một mảng, chúng tôi sẽ tạo biểu đồ cho mỗi hình ảnh trong đó cho mỗi chỉ mục 0 - 255, chúng tôi sẽ tính sự xuất hiện của giá trị pixel đó trong hình ảnh.
4. Khi chúng ta có biểu đồ của chúng ta, chúng ta sẽ sử dụng khoảng cách L2-Norm hoặc Euclide để tìm sự khác biệt của hai biểu đồ.
5. Dựa trên khoảng cách giữa biểu đồ của hình ảnh thử nghiệm của chúng tôi và hình ảnh tham chiếu, chúng tôi có thể tìm thấy hình ảnh hình ảnh thử nghiệm của chúng tôi tương tự như.

Mã hóa cho sự tương đồng hình ảnh trong Python

Nhập các phụ thuộc mà chúng tôi sẽ sử dụng

from PIL import Image
from collections import Counter
import numpy as np

Chúng tôi sẽ sử dụng Numpy để lưu trữ hình ảnh như một mảng numpy, hình ảnh để đọc hình ảnh theo giá trị số và đếm để đếm số lần mỗi giá trị pixel (0-255) xảy ra trong hình ảnh.

Đọc hình ảnh

Chúng ta có thể thấy rằng hình ảnh ra đã được đọc thành công dưới dạng mảng 3-D. Trong bước tiếp theo, chúng ta cần làm phẳng mảng 3-D này thành một mảng 1 chiều.

flat_array_1 = array1.flatten()
print(np.shape(flat_array_1))
>>> (245760, )

Chúng tôi sẽ thực hiện các bước tương tự cho hai hình ảnh khác. Tôi sẽ bỏ qua điều đó ở đây để bạn cũng có thể thử nó.

Tạo ra vectơ tính toán đếm ngược:

RH1 = Counter(flat_array_1)

Dòng mã sau đây trả về một từ điển trong đó khóa tương ứng với giá trị pixel và giá trị của khóa là số lần pixel có trong hình ảnh.

Một hạn chế của khoảng cách Euclide là nó đòi hỏi tất cả các vectơ phải được chuẩn hóa, tức là cả hai vectơ cần phải có cùng kích thước. Để đảm bảo rằng vectơ biểu đồ của chúng tôi được chuẩn hóa, chúng tôi sẽ sử dụng vòng lặp cho vòng 0-255 và tạo biểu đồ của chúng tôi với giá trị của khóa nếu khóa có trong hình ảnh khác, chúng tôi nối 0.

H1 = []
for i in range(256):
    if i in RH1.keys():
        H1.append(RH1[i])
    else:
        H1.append(0)

Phần trên của mã tạo ra một vectơ có kích thước (256,) trong đó mỗi chỉ mục tương ứng với giá trị pixel và giá trị tương ứng với số lượng của pixel trong hình ảnh đó.

Chúng tôi làm theo các bước tương tự cho hai hình ảnh khác và có được các vectơ lịch sử đếm tương ứng của chúng. Tại thời điểm này, chúng tôi có các vectơ cuối cùng của chúng tôi cho cả hình ảnh tham chiếu và hình ảnh thử nghiệm và tất cả những gì chúng tôi cần làm là tính toán khoảng cách và dự đoán.

Chức năng khoảng cách Euclide:

def L2Norm(H1,H2):
    distance =0
    for i in range(len(H1)):
        distance += np.square(H1[i]-H2[i])
    return np.sqrt(distance)

Hàm trên có hai biểu đồ và trả về khoảng cách Euclide giữa chúng.

Sự đánh giá :

Vì chúng ta có mọi thứ chúng ta cần để tìm sự tương đồng hình ảnh, chúng ta hãy tìm ra khoảng cách giữa hình ảnh thử nghiệm và hình ảnh tham khảo đầu tiên của chúng ta.

dist_test_ref_1 = L2Norm(H1,test_H)
print("The distance between Reference_Image_1 and Test Image is : {}".format(dist_test_ref_1))
>>> The distance between Reference_Image_1 and Test Image is : 9882.175468994668

Bây giờ chúng ta hãy tìm ra khoảng cách giữa hình ảnh thử nghiệm và hình ảnh tham khảo thứ hai của chúng tôi.

dist_test_ref_2 = L2Norm(H2,test_H)
print("The distance between Reference_Image_2 and Test Image is : {}".format(dist_test_ref_2))
>>> The distance between Reference_Image_2 and Test Image is : 137929.0223122023

Sự kết luận

Dựa trên các kết quả trên, chúng ta có thể thấy rằng khoảng cách giữa hình ảnh thử nghiệm của chúng tôi và hình ảnh tham chiếu đầu tiên của chúng tôi nhỏ hơn nhiều so với khoảng cách giữa thử nghiệm và hình ảnh tham chiếu thứ hai của chúng tôi có ý nghĩa vì cả hình ảnh thử nghiệm và hình ảnh tham chiếu đầu tiên của chúng tôi là hình ảnh của Một piegon trong khi hình ảnh tham khảo thứ hai của chúng tôi là của một con công.

Trong hướng dẫn sau đây, chúng tôi đã học cách sử dụng toán học cơ bản và ít lập trình để xây dựng yếu tố dự đoán tương tự hình ảnh của riêng mình với kết quả khá tốt.

Mã đầy đủ cùng với các hình ảnh có thể được tìm thấy ở đây.

Thông tin về các Tác giả

Tên tôi là Prateek Agrawal và tôi là sinh viên năm thứ ba tại Học viện Công nghệ thông tin và sản xuất Kancheepuram theo đuổi bằng cấp kép B.Tech và M.Tech của tôi về khoa học máy tính. Tôi đã luôn có một sở trường về học máy và khoa học dữ liệu và đã thực hành nó trong năm ngoái và cũng có một số chiến thắng cho tín dụng của tôi.

Cá nhân tôi tin rằng niềm đam mê là tất cả những gì bạn cần. Tôi nhớ rằng việc nghe mọi người nói về CNNS, RNN và học sâu vì không thể hiểu một phần nào của nó nhưng tôi đã không bỏ cuộc. Tôi đã có niềm đam mê và tôi bắt đầu thực hiện các bước bé để học và ở đây tôi đang xuất bản blog đầu tiên của mình. Tôi hy vọng bạn thích đọc nó và cảm thấy hơi tự tin về bản thân. & NBSP; Tin tôi đi về điều này, nếu tôi có thể, bạn có thể.Passion Is All You Need. I remember getting scared hearing people talk about CNNS, RNNs and Deep Learning because could not understand a single piece of it but I didn’t give up. I had the passion and I began taking baby steps towards learning and here I am publishing my first blog. I hope you enjoyed reading this and feel a bit confident about yourself.  Trust me on this, if I can, you can.

Xin vui lòng ping cho tôi trong trường hợp của bất kỳ truy vấn nào hoặc chỉ để nói xin chào!

LinkedIn: & NBSP;
Github: https://github.com/prateekagrawaliiit

Tín dụng

• Wikipedia
• Phân tích Vidhya
• Vừa phải
• Hình ảnh Google

Các phương tiện truyền thông được hiển thị trong bài viết này không thuộc sở hữu của Analytics Vidhya và được sử dụng theo quyết định của tác giả.