r - 根据像素值匹配 R 中的图像

Question

函数() {

img1<-readImage("image.jpg") 


img2<-img1+0.2

img1.b<-sum(img1[,,1:3])
img1.max<-length(img1[,,1:3])

diff1<-img1.b/img1.max

toincr<-increment(diff1)
img4<-img1
img4[,,1:3]<-img1[,,1:3]+toincr


img2.b<-sum(img2[,,1:3])

img2.max<-length(img2[,,1:3])
diff2<-img2.b/img2.max
toincr<-increment(diff2)
img3<-img2
img3[,,1:3]<-img2[,,1:3]+toincr


if(length(img3)==length(img4))
{
    paste(100*sum(img3==img4)/length(img3),"%")
}

}

function(diff)
{
brightness<-0.25
incr<-brightness-diff
return(incr)
}

我写了上面的测试函数，它读取图像然后创建一个副本并使该副本图像变亮。然后我正在调整两个图像的亮度，使它们在值 0.25 时同样变亮，即图像 img3 和 img4。当我比较这两个图像，然后它的显示结果为 0%，但预期结果为 100%。我应该如何修改程序？？

Answer 1

这里有 png 库

require(png)
img1<-readPNG("apple1.png")
img2<-readPNG("apple2.png")

if(length(img1)==length(img2)){   # check same pixel number
  paste(100*sum(img1==img2)/length(img1),"%")
}

#[1] "32.098125 %"

它比较 2 个数组，为您提供匹配的 BOOLEAN 数组。这个的 sum() 给你匹配像素的数量。除以总像素(数组的长度())给你匹配因子(* 100 为百分比)

好的，所以根据评论编辑答案!

首先，一个警告。图像比较和变化检测领域极其复杂，大量商业工作已经涉足其中，您最好使用商业包，而不是重新发明轮子。

这里有一篇关于入侵者检测算法的好论文:http://ijcnis.org/index.php/ijcnis/article/viewFile/88/87

但是，问题是关于 R 的，它涉及有用的概念，所以这里是(公认的简单)答案:

当您查看连续帧时，您需要记住，在正常分辨率下，光线和曝光设置的微小变化将使您的图像完全不同于基本算术计算的目的。您还需要注意，由于振动或其他原因导致的相机微小移动(例如，对于 400x400 的 15 度视角相机，~ 1/10000 度)可能会使您的像素错位，因此即使与亮度也无法进行比较调整算法)

所以要完成这项工作，您需要做两件事:
1)去解析图像(即将像素聚集到更少的 block )2) 对亮度分数进行分桶，以便正常偏移时值的微小变化不会给您错误信号。

试试这个:

例如，有 2 个样本图像:

空房间

入侵者

require(png)

img.reference<-readPNG("room-empty.png")     # empty room as reference
img.empty<-readPNG("room-empty.png")         # empty room copy
img.person<-readPNG("room-with-person.png")  # room with person in it

# function to de-resolve image into levels (n=granularity)
# and divide the image up into blocks (n=result.length)
chunkImage<-function(image,granularity=10,result.length=100){

  img.1D<-(image[,,1]+image[,,2]+image[,,1])/3
  pix.n<-length(img.1D)
  groups<-rep(1:result.length,each=ceiling(pix.n/result.length))[1:pix.n]
  imgmap.new<-aggregate(as.vector(img.1D),list(newpix=groups),mean)
  return(as.numeric(cut(imgmap.new$x,c(0:granularity)/granularity)))

}

# this returns an array (of reduced granularity) which describes each image in simpler terms
# you can think of it as a de-resolution or grouping function

chunkImage(img.reference)
#[1] 4 4 4 4 4 5 5 5 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 6 6 7 7 7 7 6 5 5 5 6 6 5 5 5 5
#[52] 5 5 5 5 5 5 5 5 5 4 4 4 5 4 4 3 3 3 3 3 3 4 5 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4

# so to compare an empty room against reference
sum(chunkImage(img.empty)!=chunkImage(img.reference))
#[1] 0
# Score 0 so probably nothing to worry about

# now to compare with the image containing the person
sum(chunkImage(img.person)!=chunkImage(img.reference))
#[1] 14
# score 14 may indicate a person

您将不得不根据您的网站和环境的具体情况调整分辨率和粒度。

PS:这里是去解析图像的视觉表示，向您展示如何在视觉上将它们视为不同；

m.p<-matrix(chunkImage(img.person),ncol=10)/10
m.e<-matrix(chunkImage(img.empty),ncol=10)/10

m.p.big<-matrix(sapply(apply(m.p,1,function(x)rep(x,40)),function(x)rep(x,40)),ncol=400,byrow=T)
m.e.big<-matrix(sapply(apply(m.e,1,function(x)rep(x,40)),function(x)rep(x,40)),ncol=400,byrow=T)
m.alpha<-matrix(rep(1,160000),ncol=400)

length(m.e.big)

writePNG(array(c(rep(m.p.big,3),m.alpha),dim=c(400,400,4)),"person-deresolved.png")
writePNG(array(c(rep(m.e.big,3),m.alpha),dim=c(400,400,4)),"empty-deresolved.png")