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

?

?

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CV之Hog+HamMingDistance：基于Hog提取和漢明距離對比的應用—圖像相似度對比之for循環將多個成對圖片依次對比并輸出相似度
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?；?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 Cosin(self, img_pat1, img_pat2):image1 = Image.open(img_pat1)image2 = Image.open(img_pat2)image1 = self.get_thum(image1)image2 = self.get_thum(image2)image1_array = np.array(image1)images = [image1, image2]vectors = []norms = []for image in images:vector = []for pixel_tuple in image.getdata(): vector.append(average(pixel_tuple))vectors.append(vector)norms.append(linalg.norm(vector, 2)) vectors_array=np.array(vectors)a, b = vectorsa_array=np.array(a)a_norm, b_norm = normsres = dot(a / a_norm, b / b_norm) return res

?

?

?

?

總結

以上是生活随笔為你收集整理的ML之Cosin：基于输入图片RGB均值化转为单向vector利用Cosin(余弦相似度)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。