原文链接：图片结构相似性算法：SSIM
微信公众号：机器学习养成记 搜索添加微信公众号：chenchenwings
之前介绍了通过Hash进行图片相似度识别的一系列算法，本次接着来介绍另一种非常常用的衡量两幅图片相似度的指标——SSIM。
SSIM算法
SSIM（structural similarity）是一种用来衡量图片相似度的指标，也可用来判断图片压缩后的质量。
基本原理：
SSIM由亮度对比、对比度对比、结构对比三部分组成。
其中有几个需要注意的点：
C1、C2、C3为常数，避免分母接近于0时造成的不稳定性。
SSIM函数S具有对称性、有界性（不超过1）和最大值唯一性（当且仅当x＝y时，S＝1，表示两幅图一样）。
上述S函数为C3=C2/2的简化形式。
（更多SSIM介绍可自行搜索论文《Image Quality Assessment: From Error Visibility to Structural Similarity》）
Python实现
代码流程：
STEP 1：修改尺寸，灰度化。SSIM计算时需要保证图片大小相同，并且根据上述算法原理得知，要基于灰度进行计算，因此对图片进行灰度化处理。
STEP 2：加窗。局部求SSIM指数的效果要好于全局，用标准差为1.5的高斯加权函数作为加权窗口，每一步基于窗口内像素进行计算，得到由局部SSIM指数构成的SSIM指数映射矩阵。
STEP 3：计算。用平均SSIM指数作为最终结果。
完整代码：
借鉴网上代码并用以下两张图片为例：
（image1）
（image2）
结果为：
推荐文章
扫描二维码，关注我们。
如需转载，请在开篇显著位置注明作者和出处，并在文末放置机器学习养成记二维码和添加原文链接。
快来关注我们吧！
