目录
基本思路
5.1 将视频打散为图片
5.2比较图像相似度
5.2.1 基于相等比较图像相似度
5.2.2 基于numpy计算图片是否相等
5.2.3 基于哈希（以均值哈希算法为例）
5.3 视频截取：ffmpeg
5.4 综合运用
5.4.1练习一
5.4.2练习二
基本思路
1.将视频打散为图片
2.选择合适的方法（相等、numpy、哈希）比较图像相似度
3.根据相似度，去除重复镜头
5.1 将视频打散为图片其中，vc=cv2.VideoCapture（）
参数为0时，即vc=cv2.VideoCapture（0），表示打开笔记本的内置摄像头；
参数为视频文件路径，即vc=cv2.VideoCapture（“../testi.mp4”），为打开视频文件。
代码如下：
import os
import cv2
import subprocess
os.chdir(r'D:pythonclass')#转到目录下
v_path='ghz.mp4'
image_save='./img'#新建一个文件夹用于放生成的图片
cap=cv2.VideoCapture(v_path)
frame_count=cap.get(cv2.CAP_PROP_frame_COUNT)#返回帧数
print(frame_count)
for i in range(int(frame_count)):
_,img=cap.read()
img=cv2.cvtColor(img,cv2.cv2.COLOR_BGR2GRAY) #cv2.COLOR_RGBGRAY cv2.COLOR_BGR2GRAY
#大写的都是常量
cv2.imwrite('./img/image{}.jpg'.format(i),img)#把i传进{}中
效果如图：
5.2比较图像相似度 5.2.1 基于相等比较图像相似度涉及函数：operator（标准运算符替代函数）
其中，会用到operator.eq(a,b)。
eq(a, b) 与 a == b 相同。
Operator其他功能参考：operator --- 标准运算符替代函数 — Python 3.10.0 文档
代码如下：
import operator
from PIL import Image
a=Image.open('./img/image0.jpg')
b=Image.open('./img/image0.jpg')
print(a)
out=operator.eq(a,b)
print(out)
5.2.2 基于numpy计算图片是否相等
涉及函数：NumPy 算术函数；any（）函数。
①umpy包含简单的加减乘除: add()，subtract()，multiply() 和 divide()。
np.subtract(a,b)表示两个数组相减。
②any() 函数： iterable 中的任何一项为 true或可迭代对象为空，则 any() 函数返回 True，否则返回 False。
元素除了是 0、空、FALSE 外都算 TRUE。
代码如下：
import operator
from PIL import Image
import os
os.chdir(r'D:pythonclass')
a=Image.open('./img/image0.jpg')
b=Image.open('./img/image0.jpg')
out=operator.eq(a,b)
print(out)
5.2.3 基于哈希（以均值哈希算法为例）
基本原理：图片包含了不同频率的部分，其中，亮度变化小的是低频成分，反之为高频。低频成品描述的是大范围的信息，高频成片描述的是细节。小图缺乏细节，所以是低频的。
算法基本思路：
1.缩小图片尺寸为8*8
2.转为灰度图
3.计算像素的灰度平均值
4.基于灰度生成hash值
5.将图像分离为RGB三通道，计算每个通道的相似值
6.对比hash值（计算汉明距离，不同位数越少，图片相似度大）
哈希算法参考：哈希算法-图片相似度计算_chenghaoy的博客-CSDN博客_均值哈希算法
代码如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
import os
#均值哈希算法
def aHash(img):
#缩放为8*8
plt.imshow(img)
plt.axis('off')
plt.show()
img=cv2.resize(img,(8,8))
plt.imshow(img)
plt.axis('off')
plt.show()
#转换为灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
s=0
hash_str='' # s为像素和初值为0，hash_str为hash值初值为''
#遍历累加求像素和
for i in range(8):
for j in range(8):
s=s + gray[i,j]
#求平均灰度
avg=s/64
#灰度大于平均值为1 相反为0 生成图片的hash值
for i in range(8):
for j in range(8):
if gray[i,j]>avg:
hash_str=hash_str+'1'
else:
hash_str=hash_str+'0'
return hash_str
# 通过得到RGB每个通道的直方图来计算相似度
def classify_hist_with_split(image1,image2,size=(256,256)):
#将图像resize后，分离为RGB三个通道，再计算每个通道的相似值
image1 = cv2.resize(image1,size)
image2 = cv2.resize(image2,size)
plt.imshow(image1)
plt.show()
plt.axis('off')
plt.imshow(image2)
plt.show()
plt.axis('off')
sub_image1=cv2.split(image1)
sub_image2=cv2.split(image2)
sub_data=0
for im1,im2 in zip(sub_image1,sub_image2):
sub_data+=calculate(im1,im2)
sub_data=sub_data/3
return sub_data
# 计算单通道的直方图的相似值
def calculate(image1,image2):
hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,225.0])
hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,225.0])
plt.plot(hist1,color="r")
plt.plot(hist2,color="g")
plt.show()
# 计算直方图的重合度
degree = 0
for i in range(len(hist1)):
if hist1[i]!=hist2[i]:
degree=degree+(1-abs(hist1[i])-hist2[i])/max(hist1[i],hist2[i])
else:
degree = degree + 1#统计相似
degree = degree / len(hist1)
return degree
# Hash值对比
def cmpHash(hash1,hash2):
n=0
print(hash1)
print(hash2)
# hash长度不同则返回-1代表传参出错
if len(hash1)!=len(hash2):#！=不等于
return -1
#遍历判断
for i in range(len(hash1)):
# 不相等则n计数+1，n最终为相似度
if hash1[i]!=hash2[i]:
n=n+1
return n
img1 = cv2.imread('./img/image0.jpg')
img2 = cv2.imread('./img/image1.jpg')
hash1 = aHash(img1)
hash2 = aHash(img2)
n=cmpHash(hash1,hash2)
print('均值哈希算法相似度：',n)
n=classify_hist_with_split(img1,img2)#看的是image0和image1
print('三直方图算法相似度：',n)
效果如图：
此外，还可以对分镜头进行比对，去除重复的镜头，将筛选后的图片置于一个文件夹中。
代码如下：
import os
import cv2
from PIL import Image
os.chdir(r'D:pythonclassvideo')
print(os.getcwd())
#for f in os.listdir('./shot'):
for i in range(549):
img1 = cv2.imread('./img/image{}.jpg'.format(i))
img2 = cv2.imread('./img/image{}.jpg'.format(i+1))
hash1 = aHash(img1)
hash2 = aHash(img2)
n = cmpHash(hash1,hash2)
if (n>32):#可通过改变参数，得到不同的镜头数
print('均值哈希算法相似度：',n/64)
cv2.imwrite('./shot/image{}.jpg'.format(i+1),img2)
效果如图：
可以看到，文件夹中已生成图片 （参数不同，图片数也不同）
5.3 视频截取：ffmpeg运用ffmpeg截取1min的视频。
在程序框中输入：ffmpeg -i food.mp4 -ss 1 -t 60 -codec copy foodcut.mp4
将截取的视频命名为 原名cut.mp4
效果如图：
5.4 综合运用在5.3基础上，运用5.1和5.2的方法对所截视频进行处理。
5.4.1练习一代码如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
import os
#均值哈希算法
def aHash(img):
#缩放为8*8
plt.imshow(img)
plt.axis('off')
plt.show()
img=cv2.resize(img,(8,8))
plt.imshow(img)
plt.axis('off')
plt.show()
#转换为灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
s=0
hash_str='' # s为像素和初值为0，hash_str为hash值初值为''
#遍历累加求像素和
for i in range(8):
for j in range(8):
s=s + gray[i,j]
#求平均灰度
avg=s/64
#灰度大于平均值为1 相反为0 生成图片的hash值
for i in range(8):
for j in range(8):
if gray[i,j]>avg:
hash_str=hash_str+'1'
else:
hash_str=hash_str+'0'
return hash_str
# 通过得到RGB每个通道的直方图来计算相似度
def classify_hist_with_split(image1,image2,size=(256,256)):
#将图像resize后，分离为RGB三个通道，再计算每个通道的相似值
image1 = cv2.resize(image1,size)
image2 = cv2.resize(image2,size)
plt.imshow(image1)
plt.show()
plt.axis('off')
plt.imshow(image2)
plt.show()
plt.axis('off')
sub_image1=cv2.split(image1)
sub_image2=cv2.split(image2)
sub_data=0
for im1,im2 in zip(sub_image1,sub_image2):
sub_data+=calculate(im1,im2)
sub_data=sub_data/3
return sub_data
# 计算单通道的直方图的相似值
def calculate(image1,image2):
hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,225.0])
hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,225.0])
plt.plot(hist1,color="r")
plt.plot(hist2,color="g")
plt.show()
# 计算直方图的重合度
degree = 0
for i in range(len(hist1)):
if hist1[i]!=hist2[i]:
degree=degree+(1-abs(hist1[i])-hist2[i])/max(hist1[i],hist2[i])
else:
degree = degree + 1#统计相似
degree = degree / len(hist1)
return degree
# Hash值对比
def cmpHash(hash1,hash2):
n=0
print(hash1)
print(hash2)
# hash长度不同则返回-1代表传参出错
if len(hash1)!=len(hash2):#！=不等于
return -1
#遍历判断
for i in range(len(hash1)):
# 不相等则n计数+1，n最终为相似度
if hash1[i]!=hash2[i]:
n=n+1
return n
img1 = cv2.imread('./foodimg/image0.jpg')
img2 = cv2.imread('./foodimg/image1.jpg')
hash1 = aHash(img1)
hash2 = aHash(img2)
n=cmpHash(hash1,hash2)
print('均值哈希算法相似度：',n)
n=classify_hist_with_split(img1,img2)#看的是image0和image2
print('三直方图算法相似度：',n)
import os
import cv2
from PIL import Image
os.chdir(r'D:pythonclassvideo')
print(os.getcwd())
#for f in os.listdir(r'D:pythonclassvideodanceimgdanceshot'):
for i in range(1616):
img1 = cv2.imread('./foodimg/image{}.jpg'.format(i))
img2 = cv2.imread('./foodimg/image{}.jpg'.format(i+1))
hash1 = aHash(img1)
hash2 = aHash(img2)
n = cmpHash(hash1,hash2)
if (n>28):
print('均值哈希算法相似度：',n/64)
cv2.imwrite('./foodshot/image{}.jpg'.format(i+1),img2)
参数28时，效果如图：
5.4.2练习二参数15时，效果如图：可以发现镜头划分较为粗糙
将参数改为12，可以看到效果更好，但也会出现一些相似的镜头
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）