1、简介
把图片表示成一个向量，通过计算向量之间的余弦距离来表征两张图片的相似度。
2、代码
from PIL import Image
from numpy import average, dot, linalg
# 对图片进行统一化处理
def get_thum(image, size=(1920, 1080), greyscale=False):
# 利用image对图像大小重新设置, Image.ANTIALIAS为高质量的
image = image.resize(size, Image.Resampling.LANCZOS)
if greyscale:
# 将图片转换为L模式，其为灰度图，其每个像素用8个bit表示
image = image.convert('L')
return image
# 计算图片的余弦距离
def image_similarity_vectors_via_numpy(image_cp1, image_cp2):
image_cp1 = get_thum(image_cp1)
image_cp2 = get_thum(image_cp2)
images = [image_cp1, image_cp2]
vectors = []
norms = []
for image in images:
vector = []
for pixel_tuple in image.getdata():
vector.append(average(pixel_tuple))
vectors.append(vector)
# linalg = linear（线性）+algebra（代数），norm则表示范数
# 求图片的范数
norms.append(linalg.norm(vector, 2))
a, b = vectors
a_norm, b_norm = norms
# dot返回的是点积，对二维数组（矩阵）进行计算
res = dot(a / a_norm, b / b_norm)
return res
image_cp1 = Image.open('WD1.png')
image_cp2 = Image.open('WD2.png')
cosine_similarity = image_similarity_vectors_via_numpy(image_cp1, image_cp2)
print('图片余弦相似度:', cosine_similarity)
