想找一种计算图像差异度的算法

竞天问 2019-02-13 05:44:59

另一个区的帖子，请移驾收分：https://bbs.csdn.net/topics/392515746

输入是两张尺寸一样的图，这两张图大部分像素是一样的，个别区域会有不同，类似于找不同的那种差异。
但是我希望得到的输出是大片不同的区域比重较大，小片的区域比重较小，比如某个区域只有1个像素的差异，那这个像素是不需要进行评价的，抛弃即可；但是如果是一个3*3的块差异，比重要大很多。

其实真的和“找不同”特别像，我要找到一个算法来评价两个图中的不同是不是比较容易看出来。

请各位不吝指教，给个关键字也行
多谢！

...全文

639 7 打赏收藏转发到动态举报

写回复

7 条回复

切换为时间正序

请发表友善的回复…

发表回复

竞天问 2019-02-26

打赏
举报

回复

多谢各位回复
6#比较接近我想要的效果，目前在学习

zgl7903 2019-02-15

打赏
举报

回复

找出差异区域，再逐个判断差异区域的大小不就可以？
另外可能还得加差异区域的个数，要不满屏雪花也判别不出来

竞天问 2019-02-15

打赏
举报

回复

引用 2 楼 zgl7903 的回复:

个人想法， XOR两幅图像，相同的部分表现为黑色0，不同的部分为其它颜色非0，那么找出非0值的区域就比较容易了

谢谢回答！
不过，我不只是要找出差异区域，还要判断这个区域是不是容易被人发现。
比如，某个差异区域只有一个像素，在大画幅下很难被发现，在我的需求里是可以被忽略的；但是一大块差异是特别显眼的。
我想要找评价这种不同的算法

我自己写的就是把这个区域的像素数平方，但是还会有一些其它问题，比如：

这个绿色像素对于视觉来讲其实可以忽略，但是用上述计算方法得到的数值会有非常大的差距。

sevancheng 2019-02-15

打赏
举报

回复

滑动窗口，算像素点差值平方*权值累加

bluesen 2019-02-15

打赏
举报

回复

搜索SSIM算法或PSNR
或opencv比较两帧图像相似度

zgl7903 2019-02-14

打赏
举报

回复

个人想法， XOR两幅图像，相同的部分表现为黑色0，不同的部分为其它颜色非0，那么找出非0值的区域就比较容易了

竞天问 2019-02-14

打赏
举报

回复

come on, fellows!

提出了新的图像多窗口局部分形特征计算方法，并结合传统的图像分割方法，给出了一种新的复杂背景下人造目标分割算法。用指数小波滤波器在一个尺度上对图像进行滤波，突出图像的边缘信息。根据滤波后图像像素点的亮度大小，对原始图像进行多窗口几何度量空间变化率的计算，在此基础上，运用区域生长实现目标分割。对分割得到的图像进行数学形态学处理，提取出图像的目标。实验表明，该算法能够有效地实现复杂背景中的目标分割，并且计算复杂度低。

针对高光谱图像维数高且数据量大给数据分析和处理带来了极大的困难,提出了一种基于选择性分段主成分分析( SSPCA)算法的异常检测方法。该算法首先根据波段之间的相关性将一组多维的高光谱数据划分成多组波段子集,然后分别对各波段子集进行主成分分析,并综合每个波段子集中局部平均奇异度最大的一个波段,用于最后的 KRX异常检测。最后用 AVIRIS高光谱数据进行了实验研究,并与 KRX算法以及选取信息量最大波段的相应算法进行了比较。结果表明,其检测性能得到了较好地改善,取得了较好的检测效果和较低的虚警率。

针对分类器的构建，在保证基分类器准确率和差异度的基础上，提出了采用差异性度量特征选择的多分类器融合算法(multi-classifier fusion algorithm based on diversity measure for feature selection, MFA-DMFS)。该算法的基本思想是在原始特征集中采用Relief 特征评估结果按权值大小选择特征，构造特征子集，通过精调使各特征子集间满足一定的差异性，从而构建最优的基分类器。MFA-DMFS不但能提高基分类器的准确率，而且保持基分类器间的差异，克服差异性和平均准确率之间存在的相互制约，并实现这两方面的平衡。在UCI数据集上与基于Bagging、Boosting算法的多分类器融合系统进行了对比实验，实验结果表明，该算法在准确率和运行速度方面优于Bagging和Boosting算法，此外在图像数据集上的检索实验也取得了较好的分类效果。

针对癫痫脑电信号的检测问题，提出一种基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测方法。首先，对EEG信号进行可调Q因子小波变换，并选择能量差异较大的子带进行部分重构，重排重构信号，将其表示为二维彩色图像数据;其次，通过对现有的癫痫发作自动检测算法和深度可分离卷积网络Ⅹ cepTIon模型的分析，使用 Imagenet数据集分类的预训练模型参数进行网络参数初始仳，得到深度可分离卷积网络Ⅹ cepTIon的预训练模型;最后，利用迁移学习方法将 XcepTIon模型的预训练结釆迁移至癲痫发作自动检测任务。所提方法在BONN癫痫数据集上的准确度达到99.37%，敏感度达到100%，特异度达到98.48%，证明了该模型在癫痫发作自动检测任务上具有良妤的泛化能力。与传统检测方法和其他深度学习方法相比，所提自动检测方法达到了较高的准确率，避免了人工设计和提取特征的过程，具有较好的应用价值。

如何使用结构相似性指数（SSIM）将两个图像与Python进行比较。使用这种方法，我们能够轻松确定两个图像是否相同或由于轻微的图像处理，压缩伪像或有目的的篡改而产生差异。今天我们将扩展SSIM方法，以便我们可以使用OpenCV和Python可视化图像之间的差异。具体来说，我们将在两个不同的输入图像中的区域周围绘制边界框。与OpenCV和Python的图像差异为了计算两个图像之间...

图形处理/算法

19,468

社区成员

50,698

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章