Python基于sklearn中的 scikit-image 通过 ssim计算图片相似度

本文介绍如何使用scikit-image库中的structural_similarity函数来比较两张图像的相似度。通过将图像转换为灰度图并应用ssim函数,我们得到了两张图像之间的结构相似度指数,该指数在0到1之间,数值越大表示图像越相似。
Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

准备

  1. 安装scikit-image
  2. package说明

代码实现样例

import cv2 as cv
from skimage.metrics import structural_similarity as ssim

path_= '1.jpg'
image1 = cv.imread(path_)
image1 = cv.cvtColor(image1,cv.COLOR_BGR2GRAY) #  将图像转换为灰度图

path_= '2.jpg'
image2 = cv.imread(path_)
image2 = cv.cvtColor(image2,cv.COLOR_BGR2GRAY) #  将图像转换为灰度图

sim = ssim(image1, image2)

print(sim)

运行结果

0.8584310332050927

图片展示

图1

在这里插入图片描述

图2

在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

### 关于scikit-image 0.17.2版本的信息 #### 文档链接 对于希望了解`scikit-image` 0.17.2的具体特性和改进之处,官方提供了详细的文档和发行说明。可以通过访问项目的GitHub页面获取这些资源,在安装指南中也提及到了这一点[^1]。 - **文档网址**: [https://scikit-image.org/docs/0.17.x/](https://scikit-image.org/docs/0.17.x/) 此链接指向特定版本(即0.17.x系列)的手册,其中包含了该版本所支持的功能描述以及API参考等内容。 #### 发布日志摘要 通常情况下,发布笔记会记录下每次更新带来的新特性、修复的问题以及其他值得注意的变化。虽然具体的变更列表可能不会直接展示在上述URL中,但是通过浏览对应标签下的commit历史或者查看CHANGELOG文件也可以找到相关信息。 例如,在这个版本里,质量评估指标如均方误差(MSE),峰值信噪比(PSNR), 结构相似度(SSIM)仍然沿用了旧版中的导入路径: ```python from skimage.measure import compare_mse, compare_psnr, compare_ssim ``` 这表明直到0.18.0之前的版本都保持了一致性的接口设计[^2]。 #### 应用实例 除了技术细节外,`scikit-image`也被广泛应用于多个领域,比如医学影像处理方面。下面是一个简单的例子展示了如何利用该库完成MRI图像的分割操作并提取其特征[^3]: ```python from skimage import io, filters, measure, color # 加载图片数据 image = io.imread('mri_image.jpg', as_gray=True) # 使用高斯模糊减少噪声影响 filtered_image = filters.gaussian(image, sigma=1) # 计算最佳二值化阈值 thresh = filters.threshold_otsu(filtered_image) # 执行二值化转换 binary_image = filtered_image > thresh # 对象标记 labels = measure.label(binary_image) # 展示最终效果 plt.imshow(color.label2rgb(labels, bg_label=0)) plt.axis('off') plt.show() ``` 这段代码片段不仅体现了`scikit-image`的强大功能,同时也反映了它易于使用的优点。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值