基于OpenCV的SSIM算法实现

简介

最近接到了一个需求，需要对比图片并自动生成对比报表，核心功能就是获取图片相似度，生成表格。
这里仅介绍如何实现的图片相似度获取；

思路

相似度计算的算法选择的是SSIM算法，具体算法原理参考的是SSIM 的原理和代码实现，算法中涉及了卷积运算，还有图片的矩阵运算，决定选用OpenCV库来实现。因为后台使用的是C#写的，OpenCV使用的是C++，所以决定用C++封装图像相似度处理的函数，通过dll导出接口到C#中使用;（C#中有已经封装的OpenCV库，OpencvSharp和Emgu都是很好的，但是这次功能简单，没有必要使用)

实现

VS2019下的OpenCV环境搭建

OpenCV源代码编译

1. 从https://opencv.org/releases/下载源代码，如果不介意官方打包的dll和lib体积太大的话，也可以下载exe版本，双击即可，可以省去后面的编译步骤
2. 从https://cmake.org/download/下载cmake，用于源码编译
3. 下载完cmake后解压，运行 解压目录/bin/cmake-gui.exe ，通过Browse Source找到第一步下载解压的OpenCV源码目录，然后选择一个结果输出路径比如我这里分别是：E:/Program Zip/opencv-4.4.0/opencv-4.4.0和 E:/Program Zip/opencv-4.4.0/opencv-4.4.0/build
   
4. 点击左下角的Configure按钮，选择编译选项如下，然后点finish；这里我只配置了64位的，其他平台可以自行选择
   -
5. 待配置完成后，点击generate，等待生成完成，点击project按钮打开解决方案
6. 选择Debug或Releas编译选项，在 INSTALL项目上右键，Build
7. 漫长的Build之后，你会在输出目录下(比如我的是E:\Program Zip\opencv-4.4.0\opencv-4.4.0\build\install)看到, 如果中间报了python相关的错误，可以忽略
   
8. 到这里，opencv的编译就成功完成了

项目配置

1. 把上一步编译好的opencv库中的 include,x64目录拷贝到合适的地方，最好是release合debug版本的分目录存放，下面是我的目录结构，因为暂时不考虑多个vs版本的，所以x64下面的vc目录去掉了
   

2. 新建一个空的C++项目

3. 在项目上右键，跳转到: 属性页->Configuration Properties->General->Configuration Type，修改为Dynamic Library (.dll)

4. 跳转到：属性页 ->C/C++->General->Additional Include Directories，填入存放opencv库的include目录的路径
   

5. 跳转到：属性页->Linker->General->Additional Library Directories，填入存放opencv库的 路径中对应版本的lib路径，我这里使用了相应的编译选项宏以及编译平台宏，可以视情况选择
   

6. 跳转到：属性页->Linker->Input->Additioinal Dependencies；release编译选项下填入opencv_core440.lib opencv_imgcodecs440.lib opencv_imgproc440.lib opencv_gapi440.lib opencv_calib3d440.lib,debug选项下记得名字后面要加d，因为我的代码中只用到了这些lib，所以只填了这些lib，如果不介意大小的话，可以把opencv所有的lib都加上，这样可以避免出现 找不到定义的报错

7. 到此，项目配置就完成了，dll我们就直接拷贝到项目的输出路径去即可，可以按需拷贝，运行若报错说某个dll找不到就拷贝过去即可

SSIM的算法实现

算法的原理可以参考SSIM 的原理和代码实现，讲的非常清晰，同时也建议阅读下python下的实现

下面是计算图片差异的核心函数，返回的Mat中 包含了两幅图片各个像素点的相似度，如果需要整张图的，求一下均值即可;完整代码放在末尾

static const double C1 = 6.5025, C2 = 58.5225; 
Mat Compare_SSIM(Mat image1, Mat image2)
{
   
   
    Mat validImage1, validImage2;
    image1.convertTo(validImage1, CV_32F); //数据类型转换为 float,防止后续计算出现错误
    image2.convertTo(validImage2, CV_32F);

    Mat image1_1 = validImage1.mul(validImage1); //图像乘积
    Mat image2_2 = validImage2.mul(validImage2);
    Mat image1_2 = validImage1.mul(validImage2);

    Mat gausBlur1, gausBlur2, gausBlur12;
    GaussianBlur(validImage1, gausBlur1, Size(11, 11), 1.5); //高斯卷积核计算图像均值
    GaussianBlur(validImage2, gausBlur2, Size(11, 11), 1.5);
    GaussianBlur(image1_2, gausBlur12, Size(11, 11), 1.5);

    Mat imageAvgProduct = gausBlur1.mul(gausBlur2); //均值乘积
    Mat u1Squre = gausBlur1.mul(gausBlur1); //各自均值的平方
    Mat u2Squre = gausBlur2.mul(gausBlur2