ML之Hash_EditDistance：基于輸入圖片哈希化(均值哈希+差值哈希)即8*8個元素的單向vector利用編輯距離算法進行判別

?

目錄

輸出結果

代碼實現

---

相關文章
ML之相似度計算：圖像數據、字符串數據等計算相似度常用的十種方法簡介、代碼實現
ML之Hash_EditDistance&Hash_HammingDistance&Hog_HanMing&Cosin&SSIM：基于輸入圖片利用多種算法進行判別
ML之Hash_EditDistance：基于輸入圖片哈希化(均值哈希+差值哈希)即8*8個元素的單向vector利用編輯距離算法進行判別
ML之Hash_HamMingDistance：基于輸入圖片哈希化(均值哈希+差值哈希)即8*8個元素的單向vector利用漢明距離算法進行判別
ML之Hog_HammingDistance：基于Hog特征提取“RGB”圖像的768個值的單向vector利用漢明距離算法進行判別
ML之Cosin：基于輸入圖片RGB均值化轉為單向vector利用Cosin(余弦相似度)算法進行判別
ML之SSIM：基于輸入圖片RGB的三維向量利用SSIM(結構相似性度量)算法進行判別

?

輸出結果

?

?

代碼實現

?

def edit_dis(self, str1, str2):len1 = len(str1)len2 = len(str2)dp = np.zeros((len1 + 1, len2 + 1))for i in range(len1 + 1):dp[i][0] = ifor j in range(len2 + 1):dp[0][j] = jfor i in range(1, len1 + 1):for j in range(1, len2 + 1):temp = 0 if str1[i - 1] == str2[j - 1] else 1dp[i][j] = min(dp[i - 1][j - 1] + temp, min(dp[i - 1][j] + 1, dp[i][j - 1] + 1))return dp[len1][len2]

?

?

?

?

?

總結

以上是生活随笔為你收集整理的ML之Hash_EditDistance：基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法进行判别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。