问题描述
我正在尝试通过将它们相减来检查两个图像是否相同。 我正在使用 cv2.countNonZero 检查非零像素的数量。 问题是，在对图像进行任何更改之前，我得到了大约 3000 个非零像素，在新图像（由减法创建）中，我可以看到所有这些像素，但是在我使用高斯之后-模糊 (cv2.GaussianBlur(image1,(3,3),0)) 我得到大约 6000 个非零像素，但新图像全黑。
如果我的描述不清楚，这里是代码：
image1 = cv2.imread(path1)
image2 = cv2.imread(path2)
#Gaussian Filtering
gaus_image1 = cv2.GaussianBlur(image1,0)
gaus_image2 = cv2.GaussianBlur(image2,0)
gaus_diff = cv2.subtract(gaus_image1,gaus_image2)
print(str(cv2.countNonZero(cv2.cvtColor(gaus_diff,cv2.COLOR_BGR2GRAY))))
cv2.imshow('gaus_diff.png',gaus_diff)
什么会导致这种行为？ 黑色图像有这么多非零像素有意义吗？ 如果是，是否有另一种方法来验证图像是否全黑？
谢谢。
解决方法
- 为什么看不到它的答案：
考虑到像素的灰度值在 0-255 之间，对于 0 差，两个像素必须采用相同的值。由于高斯模糊，像素值收敛。例如，让我们在同一坐标的两张图片中的像素p1和p2。高斯模糊前的值为p1 = 330,p2 = 301 diff (p1,p2) = 29，而高斯模糊后的值为p1 = 315,p2 = 313，即diff (p1,p2 ) = 2。由于灰度值 29 给出的图像比值 2 更白，因此看起来更清晰。
- 拥有更多非零值的答案：
高斯模糊的目的是减少目标边缘的数量以获得平滑的图像。当你这样做时，像素的值会收敛，你会得到更平滑的过渡。然而，这并不意味着相似的图像将在相同的像素坐标处具有相同的值。对图片应用了独特的平滑处理，每个像素值都根据其相邻像素重新分配给图片。事实上，你得到的结果恰恰证实了这一点。你无法准确观察，因为像素值彼此接近，但由于高斯，相同的像素数会减少。
- 建议：
有一种更统计但更简单的方法来判断两张图片是否相同。 用(means,stds) = cv2.meanStdDev (image1) 求出每个RGB通道的均值和标准差值，并计算其他图像的值和距离。尝试几次后，您可以观察到相同图像的接近程度。 “颜色通道统计”术语可用于谷歌搜索。