原文链接：图片结构相似性算法：SSIM

微信公众号：机器学习养成记 搜索添加微信公众号：chenchenwings

---

之前介绍了通过Hash进行图片相似度识别的一系列算法，本次接着来介绍另一种非常常用的衡量两幅图片相似度的指标——SSIM。

SSIM算法

    SSIM（structural similarity）是一种用来衡量图片相似度的指标，也可用来判断图片压缩后的质量。

基本原理：

    SSIM由亮度对比、对比度对比、结构对比三部分组成。

其中有几个需要注意的点：

C1、C2、C3为常数，避免分母接近于0时造成的不稳定性。

SSIM函数S具有对称性、有界性（不超过1）和最大值唯一性（当且仅当x＝y时，S＝1，表示两幅图一样）。

上述S函数为C3=C2/2的简化形式。

（更多SSIM介绍可自行搜索论文《Image Quality Assessment: From Error Visibility to Structural Similarity》）

Python实现

代码流程：

STEP 1：修改尺寸，灰度化。SSIM计算时需要保证图片大小相同，并且根据上述算法原理得知，要基于灰度进行计算，因此对图片进行灰度化处理。

STEP 2：加窗。局部求SSIM指数的效果要好于全局，用标准差为1.5的高斯加权函数作为加权窗口，每一步基于窗口内像素进行计算，得到由局部SSIM指数构成的SSIM指数映射矩阵。

STEP 3：计算。用平均SSIM指数作为最终结果。

完整代码：

借鉴网上代码并用以下两张图片为例：

（image1）

（image2）

结果为：

推荐文章

·Bagging算法(R语言)

·静态爬虫与地址经纬度转换(python)

·特征工程(一):前向逐步回归(R语言)

·聚类(三):KNN算法(R语言)

·小案例(六)：预测小偷行为（python）

·ggplot2:正负区分条形图及美化

扫描二维码，关注我们。

如需转载，请在开篇显著位置注明作者和出处，并在文末放置机器学习养成记二维码和添加原文链接。

快来关注我们吧！