温度矩阵为 phash？

我有以下问题：我想在 python 中比较热图像（数据以一个大矩阵/每个像素一个值的形式出现）并确定它们是否相等。我读了很多关于 phash 的内容，但都是在图片的背景下。由于我的原始数据是矩阵，我想知道这是否是一种有意义的方法？

我读了很多关于 phash 的内容，但无法弄清楚/找到关于它如何与矩阵数据库一起工作的文献...

的大小我的输入是 50x3000，因为它是我无法共享的敏感内部数据，但数字是范围从 700,0 到 1100,0 摄氏度的小数

我的 Python 代码：

import os
import json
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import imagehash

folder_pathname = XXX
images_folder = os.path.join(folder_pathname, "images")

# read initially one json for first comparison
abs_json = os.path.join(folder_pathname, "00_Ref_image.json")
with open(abs_json, 'r', encoding="utf8") as f:
    camera_data = json.load(f)

# Set global image size
width = camera_data["videoWidth"]
height = camera_data["videoHeight"]

# convert reference image to 2D array
R_image = np.array(camera_data["image"])
R_image.shape = (height, width)

# convert the NumPy array to a PIL image
R_pil_image = Image.fromarray(R_image.astype(np.uint8))

# calculate histogram for reference image
HIST_BIN = 70
HIST_RANGE = (870, 1200)
R_hist = np.histogram(R_image, bins=HIST_BIN)

# Calculate the hash value for the reference image
R_hash = imagehash.dhash(R_pil_image)
print(f"Reference Image Hash: {R_hash}")

# Display the reference image histogram
plt.figure(figsize=(6, 4))
plt.bar(range(HIST_BIN), R_hist[0])
plt.title("Reference Image Histogram")
plt.xlabel("Bin")
plt.ylabel("Count")
plt.show()

# for all files in image folder
for json_file in os.listdir(images_folder):
    abs_json = os.path.join(images_folder, json_file)
    with open(abs_json, 'r', encoding="utf8") as f:
        camera_data = json.load(f)
        M_image = np.array(camera_data["image"])

    # convert the NumPy array to a PIL image
    M_pil_image = Image.fromarray(M_image.astype(np.uint8))
    M_hist = np.histogram(M_image, bins=HIST_BIN)

    # Calculate the hash value for the current image
    M_hash = imagehash.average_hash(M_pil_image)
    print(f"{json_file} Image Hash: {M_hash}")

    # Calculate the similarity percentage
    similarity = 100 - ((R_hash - M_hash) / 64 * 100)

    # Display the current image histogram and similarity
    plt.figure(figsize=(6, 4))
    plt.bar(range(HIST_BIN), M_hist[0])
    plt.title(f"{json_file} Image Histogram - {similarity:.2f}% similar")
    plt.xlabel("Bin")
    plt.ylabel("Count")
    plt.show()

你当然可以使用 pHash 来比较你的热图像，即使是原始矩阵数据也是如此。但这里有一个关键点：pHash（以及其他图像哈希算法）设计用于识别视觉相似性，即使在图像经过压缩、调整大小或略微更改颜色时也是如此。

在你的情况下，你正在处理代表温度值的原始数值数据。这些值的微小差异在视觉上可能并不重要，但在表示温度分布方面可能很重要。让我们分解一下如何仍然使用 pHash 以及探索其他合适的选项：

使用 pHash（需要调整）：

1. 归一化： 将你的温度矩阵归一化为 0-255 范围，以有效地表示 8 位灰度图像的像素强度。这可以通过以下方法完成： ```python from sklearn.preprocessing import minmax_scale

normalized_matrix = minmax_scale(R_image, feature_range=(0, 255)).astype(np.uint8) 2. **生成图像：**从归一化的矩阵数据创建 PIL 图像： python pil_image = Image.fromarray(normalized_matrix) `` 3. **应用 pHash：**现在你可以像以前那样使用 imagehash.dhash(pil_image)` 计算 pHash。

要记住的重要事项：

• 灵敏度： pHash 旨在对小的视觉差异具有鲁棒性。如果你的温度变化很小，但很重要，pHash 可能无法捕捉到它们。调整 pHash 函数中的阈值或探索其他更敏感的哈希函数。
• 解释： pHash 相似性分数将反映图像结构的总体相似性，这可能与你正在寻找的确切温度分布差异不完全匹配。

替代方法：

1. 直方图比较： 你已经在计算直方图。考虑使用 OpenCV 的 cv2.compareHist() 和 HISTCMP_CORREL 或 HISTCMP_BHATTACHARYYA 等方法来直接比较直方图以获得数值相似性分数。

2. 结构相似性指数 (SSIM)： SSIM 是一种感知图像质量指标，它也可以直接在你的矩阵上使用，而无需哈希处理。SSIM 提供了一个在 -1 和 1 之间的相似性分数，其中 1 表示完全相同。

```python from skimage.metrics import structural_similarity as ssim

ssim_score = ssim(R_image, M_image) ```

1. 均方误差 (MSE) 或峰值信噪比 (PSNR)： 这些是常用的图像质量指标，可以适应于比较温度矩阵。较低的 MSE 或较高的 PSNR 值表示更高的相似性。

```python mse_score = np.mean((R_image - M_image)**2)

psnr_score = cv2.PSNR(R_image, M_image) ```

选择正确的方法：

最佳方法取决于你的具体需求：

• 对小的视觉变化的鲁棒性： 如果需要对小的视觉差异（如噪声或伪影）具有鲁棒性，pHash 是一个不错的选择。
• 对温度分布的敏感性： 如果需要对温度分布的微小变化敏感，那么直方图比较、SSIM 或 MSE/PSNR 可能是更好的选择。
• 解释的简便性： SSIM 和 MSE/PSNR 提供更容易解释的数值相似性分数。

通过尝试这些方法，你可以确定最适合你的热图像比较需求的方法。