#include <iostream>

#include <string>

#include <iomanip>                  // 控制浮动类型的打印精度

#include <sstream>                  // 字符串和数值的转换

#include <opencv2/core.hpp>         // CV::Mat,Scalar

#include <opencv2/imgproc.hpp>      // 高斯平滑

#include <opencv2/videoio.hpp>      // 视频

#include <opencv2/highgui.hpp>      

using namespace std;

using namespace cv;

double getPSNR(const Mat& I1, const Mat& I2);

Scalar getMSSIM(const Mat& I1, const Mat& I2);

int main(int argc, char *argv[])

{

    const string sourceReference = "E:\\VS2015Opencv\\vs2015\\project\\video\\01.avi";

    const string sourceCompareWith = "E:\\VS2015Opencv\\vs2015\\project\\video\\011.avi";

    int frameNum = -;                                                          // 计算帧数

    int psnrTriggerValue = ;

    VideoCapture captRefrnc(sourceReference), captUndTst(sourceCompareWith);    // 获取视频

    if (!captRefrnc.isOpened() || !captUndTst.isOpened()) { return -; }

    Size refS = Size((int)captRefrnc.get(CAP_PROP_FRAME_WIDTH),                 // 视频帧的大小

        (int)captRefrnc.get(CAP_PROP_FRAME_HEIGHT));

    Size uTSi = Size((int)captUndTst.get(CAP_PROP_FRAME_WIDTH),

        (int)captUndTst.get(CAP_PROP_FRAME_HEIGHT));

    if (refS != uTSi) { return -; }                                            // 视频帧大小应相同

    const char* WIN_UT = "Under Test";                                          // 显示窗口

    const char* WIN_RF = "Reference";

    namedWindow(WIN_RF, WINDOW_AUTOSIZE);

    namedWindow(WIN_UT, WINDOW_AUTOSIZE);

    moveWindow(WIN_RF, , );

    moveWindow(WIN_UT, refS.width, );

    cout << "Reference frame resolution: Width=" << refS.width << "  Height=" << refS.height

        << " of nr#: " << captRefrnc.get(CAP_PROP_FRAME_COUNT) << endl;

    cout << "PSNR trigger value " << psnrTriggerValue << endl;

    Mat frameReference, frameUnderTest;

    double psnrV;                                                               // PSNR方法

    Scalar mssimV;                                                              // SSIM方法

    for (;;)

    {

        captRefrnc >> frameReference;

        captUndTst >> frameUnderTest;

        if (frameReference.empty() || frameUnderTest.empty())

        {

            cout << "The End" << endl;

            break;

        }

        ++frameNum;

        cout << "Frame:" << frameNum << "#";                                    // 当前帧数，0开始

        psnrV = getPSNR(frameReference, frameUnderTest);                        // 定义的PSNR函数

                                                                                // setiosflags(ios::fixed)用定点方式显示实数，setprecision(n)可控制输出流显示浮点数的数字个数

        cout << setiosflags(ios::fixed) << setprecision() << psnrV << "dB";

        if (psnrV < psnrTriggerValue && psnrV)                                  // PSNR结果不为零且小于输入值

        {

            mssimV = getMSSIM(frameReference, frameUnderTest);

            cout << "\tMSSIM:" << " R " << setiosflags(ios::fixed) << setprecision() << mssimV.val[] *  << "%"

                << " G " << setiosflags(ios::fixed) << setprecision() << mssimV.val[] *  << "%"

                << " B " << setiosflags(ios::fixed) << setprecision() << mssimV.val[] *  << "%";

        }

        cout << endl;

        imshow(WIN_RF, frameReference);

        imshow(WIN_UT, frameUnderTest);

        char c = (char)waitKey();

        if (c == ) break;

    }

    return ;

}

double getPSNR(const Mat& I1, const Mat& I2)                        // PSNR方法

{

    Mat s1;

    absdiff(I1, I2, s1);                                            // |I1 - I2|

    s1.convertTo(s1, CV_32F);                                       // 转换为32位进行运算

    s1 = s1.mul(s1);                                                // |I1 - I2|^2

    Scalar s = sum(s1);                                             // 各个通道求和

    double sse = s.val[] + s.val[] + s.val[];                    // 所有通道的值相加在一起

    if (sse <= 1e-)       // 当值太小时近似于0，由公式可知分母为0时需另外对待，使用SSIM方法

        return ;

    else

    {

        double mse = sse / (double)(I1.channels() * I1.total());    // 公式

        double psnr = 10.0 * log10(( * ) / mse);

        return psnr;

    }

}

Scalar getMSSIM(const Mat& i1, const Mat& i2)                       // SSIM方法

{

    const double C1 = 6.5025, C2 = 58.5225;

    Mat I1, I2;

    i1.convertTo(I1, CV_32F);                                       // 转换为32位进行运算

    i2.convertTo(I2, CV_32F);

    Mat I1_2 = I1.mul(I1);                                          // I1^2

    Mat I2_2 = I2.mul(I2);                                          // I2^2

    Mat I1_I2 = I1.mul(I2);                                         // I1 * I2

    Mat sigma1_2, sigma2_2, sigma12;                                // 先平方再高斯滤波

    GaussianBlur(I1_2, sigma1_2, Size(, ), 1.5);

    GaussianBlur(I2_2, sigma2_2, Size(, ), 1.5);

    GaussianBlur(I1_I2, sigma12, Size(, ), 1.5);

    Mat mu1, mu2;

    GaussianBlur(I1, mu1, Size(, ), 1.5);

    GaussianBlur(I2, mu2, Size(, ), 1.5);

    Mat mu1_2 = mu1.mul(mu1);                                       // 先高斯滤波再平方

    Mat mu2_2 = mu2.mul(mu2);

    Mat mu1_mu2 = mu1.mul(mu2);

    sigma1_2 -= mu1_2;                                              // 两种方式的差值

    sigma2_2 -= mu2_2;

    sigma12 -= mu1_mu2;

    Mat t1, t2, t3, t4;

    t1 =  * mu1_mu2 + C1;

    t2 =  * sigma12 + C2;

    t3 = t1.mul(t2);                                                // t3 = ((2*mu1_mu2 + C1).*(2*sigma12 + C2))

    t1 = mu1_2 + mu2_2 + C1;

    t2 = sigma1_2 + sigma2_2 + C2;

    t4 = t1.mul(t2);                                                // t4 =((mu1_2 + mu2_2 + C1).*(sigma1_2 + sigma2_2 + C2))

    Mat ssim_map;

    divide(t3, t4, ssim_map);                                       // ssim_map =  t3./t4;

    Scalar mssim = mean(ssim_map);                                  // ssim map矩阵的平均值

    return mssim;

}

代码解析：

关于视频读取函数：opencv视频操作基础---VideoCapture类

VideoCapture capture；

capture.open("E:\\Workspace\\OpenCV\\test\\video\\video.avi");

上面代码是读取本地视频，下面代码与上面代码类似，只不过换了名字；

VideoCapture captRefrnc(sourceReference), captUndTst(sourceCompareWith);    // 获取视频

	if (!captRefrnc.isOpened() || !captUndTst.isOpened()) { return -1; }

　视频通常拥有很多除了视频帧图像以外的信息，像是帧数之类，有些时候数据较短，有些时候用4个字节的字符串来表示。所以 get 函数返回一个double（8个字节）类型的数据来表示这些属性。然后你可以使用位操作符来操作这个返回值从而得到想要的整型数据等。这个函数有一个参数，代表着试图查询的属性ID。在下面的例子里我们会先获得视频的尺寸和帧数。

Size refS = Size((int)captRefrnc.get(CAP_PROP_FRAME_WIDTH),                 // 视频帧的大小

		(int)captRefrnc.get(CAP_PROP_FRAME_HEIGHT));

	Size uTSi = Size((int)captUndTst.get(CAP_PROP_FRAME_WIDTH),

		(int)captUndTst.get(CAP_PROP_FRAME_HEIGHT));

	if (refS != uTSi) { return -1; }                                            // 视频帧大小应相同

	const char* WIN_UT = "Under Test";                                          // 显示窗口

	const char* WIN_RF = "Reference";

	namedWindow(WIN_RF, WINDOW_AUTOSIZE);

	namedWindow(WIN_UT, WINDOW_AUTOSIZE);

	moveWindow(WIN_RF, 0, 0);

	moveWindow(WIN_UT, refS.width, 0);

	cout << "Reference frame resolution: Width=" << refS.width << "  Height=" << refS.height

		<< " of nr#: " << captRefrnc.get(CAP_PROP_FRAME_COUNT) << endl;

	cout << "PSNR trigger value " << psnrTriggerValue << endl;

　　

图像比较 - PSNR and SSIM

当我们想检查压缩视频带来的细微差异的时候，就需要构建一个能够逐帧比较差视频差异的系统。最常用的比较算法是PSNR( Peak signal-to-noise ratio)。这是个使用“局部均值误差”来判断差异的最简单的方法，假设有这两幅图像：I1和I2，它们的行列数分别是i，j，有c个通道。

PSNR公式如下:

每个像素的每个通道的值占用一个字节，值域[0,255]。这里每个像素会有  个有效的最大值 注意当两幅图像的相同的话，MSE的值会变成0。这样会导致PSNR的公式会除以0而变得没有意义。所以我们需要单独的处理这样的特殊情况。此外由于像素的动态范围很广，在处理时会使用对数变换来缩小范围。这些变换的C++代码如下:

　

double getPSNR(const Mat& I1, const Mat& I2)                        // PSNR方法

{

	Mat s1;

	absdiff(I1, I2, s1);                                            // |I1 - I2|

	s1.convertTo(s1, CV_32F);                                       // 转换为32位进行运算

	s1 = s1.mul(s1);                                                // |I1 - I2|^2

	Scalar s = sum(s1);                                             // 各个通道求和

	double sse = s.val[0] + s.val[1] + s.val[2];                    // 所有通道的值相加在一起

	if (sse <= 1e-10)       // 当值太小时近似于0，由公式可知分母为0时需另外对待，使用SSIM方法

		return 0;

	else

	{

		double mse = sse / (double)(I1.channels() * I1.total());    // 公式

		double psnr = 10.0 * log10((255 * 255) / mse);

		return psnr;

	}

}

Scalar getMSSIM(const Mat& i1, const Mat& i2)                       // SSIM方法

{

	const double C1 = 6.5025, C2 = 58.5225;

	Mat I1, I2;

	i1.convertTo(I1, CV_32F);                                       // 转换为32位进行运算

	i2.convertTo(I2, CV_32F);

	Mat I1_2 = I1.mul(I1);                                          // I1^2

	Mat I2_2 = I2.mul(I2);                                          // I2^2

	Mat I1_I2 = I1.mul(I2);                                         // I1 * I2

	Mat sigma1_2, sigma2_2, sigma12;                                // 先平方再高斯滤波

	GaussianBlur(I1_2, sigma1_2, Size(11, 11), 1.5);

	GaussianBlur(I2_2, sigma2_2, Size(11, 11), 1.5);

	GaussianBlur(I1_I2, sigma12, Size(11, 11), 1.5);

	Mat mu1, mu2;

	GaussianBlur(I1, mu1, Size(11, 11), 1.5);

	GaussianBlur(I2, mu2, Size(11, 11), 1.5);

	Mat mu1_2 = mu1.mul(mu1);                                       // 先高斯滤波再平方

	Mat mu2_2 = mu2.mul(mu2);

	Mat mu1_mu2 = mu1.mul(mu2);

	sigma1_2 -= mu1_2;                                              // 两种方式的差值

	sigma2_2 -= mu2_2;

	sigma12 -= mu1_mu2;

	Mat t1, t2, t3, t4;

	t1 = 2 * mu1_mu2 + C1;

	t2 = 2 * sigma12 + C2;

	t3 = t1.mul(t2);                                                // t3 = ((2*mu1_mu2 + C1).*(2*sigma12 + C2))

	t1 = mu1_2 + mu2_2 + C1;

	t2 = sigma1_2 + sigma2_2 + C2;

	t4 = t1.mul(t2);                                                // t4 =((mu1_2 + mu2_2 + C1).*(sigma1_2 + sigma2_2 + C2))

	Mat ssim_map;

	divide(t3, t4, ssim_map);                                       // ssim_map =  t3./t4;

	Scalar mssim = mean(ssim_map);                                  // ssim map矩阵的平均值

	return mssim;

调用相似度测量方法

for (;;)

	{

		captRefrnc >> frameReference;

		captUndTst >> frameUnderTest;

		if (frameReference.empty() || frameUnderTest.empty())

		{

			cout << "The End" << endl;

			break;

		}

		++frameNum;

		cout << "Frame:" << frameNum << "#";                                    // 当前帧数，0开始

		psnrV = getPSNR(frameReference, frameUnderTest);                        // 定义的PSNR函数

																				// setiosflags(ios::fixed)用定点方式显示实数，setprecision(n)可控制输出流显示浮点数的数字个数

		cout << setiosflags(ios::fixed) << setprecision(3) << psnrV << "dB";

		if (psnrV < psnrTriggerValue && psnrV)                                  // PSNR结果不为零且小于输入值

		{

			mssimV = getMSSIM(frameReference, frameUnderTest);

			cout << "\tMSSIM:" << " R " << setiosflags(ios::fixed) << setprecision(2) << mssimV.val[2] * 100 << "%"

				<< " G " << setiosflags(ios::fixed) << setprecision(2) << mssimV.val[1] * 100 << "%"

				<< " B " << setiosflags(ios::fixed) << setprecision(2) << mssimV.val[0] * 100 << "%";

		}

		cout << endl;

		imshow(WIN_RF, frameReference);

		imshow(WIN_UT, frameUnderTest);

		char c = (char)waitKey(30);

		if (c == 27) break;

	}

　　

参考：【OpenCV】视频输入与相似度测量

OpenCV的视频输入和相似度测量

OpenCV的视频输入和相似度测量的更多相关文章

  1. Opencv python图像处理-图像相似度计算

    一.相关概念 一般我们人区分谁是谁,给物品分类,都是通过各种特征去辨别的,比如黑长直.大白腿.樱桃唇.瓜子脸.王麻子脸上有麻子,隔壁老王和儿子很像,但是儿子下巴涨了一颗痣和他妈一模一样,让你确定这是你 ...

  2. cesium-长度测量和面积测量

    网上找的大神的实现方法有点问题,实现有一些bug,作为cesium新手一个,弃之不忍,只好硬着头皮修改了,不过还好问题不大,再次mark一下,下次就可以直接用了   image.png import ...

  3. 利用Python，四步掌握机器学习

    为了理解和应用机器学习技术,你需要学习 Python 或者 R.这两者都是与 C.Java.PHP 相类似的编程语言.但是,因为 Python 与 R 都比较年轻,而且更加“远离”CPU,所以它们显得 ...

  4. 利用python 掌握机器学习的过程

    转载:http://python.jobbole.com/84326/ 偶然看到的这篇文章,觉得对我挺有引导作用的.特此跟大家分享一下. 为了理解和应用机器学习技术,你需要学习 Python 或者 R ...

  5. 机器学习&数据挖掘笔记_16（常见面试之机器学习算法思想简单梳理）

    前言: 找工作时(IT行业),除了常见的软件开发以外,机器学习岗位也可以当作是一个选择,不少计算机方向的研究生都会接触这个,如果你的研究方向是机器学习/数据挖掘之类,且又对其非常感兴趣的话,可以考虑考 ...

  6. paper 17 ： 机器学习算法思想简单梳理

    前言: 本文总结的常见机器学习算法(主要是一些常规分类器)大概流程和主要思想. 朴素贝叶斯: 有以下几个地方需要注意: 1. 如果给出的特征向量长度可能不同,这是需要归一化为通长度的向量(这里以文本分 ...

  7. 机器学习&数据挖掘笔记（常见面试之机器学习算法思想简单梳理）

    机器学习&数据挖掘笔记_16(常见面试之机器学习算法思想简单梳理) 作者:tornadomeet 出处:http://www.cnblogs.com/tornadomeet 前言: 找工作时( ...

  8. [转]机器学习&数据挖掘笔记_16（常见面试之机器学习算法思想简单梳理）

    机器学习&数据挖掘笔记_16(常见面试之机器学习算法思想简单梳理) 转自http://www.cnblogs.com/tornadomeet/p/3395593.html 前言: 找工作时(I ...

  9. 【图像配准】基于灰度的模板匹配算法（一）：MAD、SAD、SSD、MSD、NCC、SSDA、SATD算法

    简介: 本文主要介绍几种基于灰度的图像匹配算法:平均绝对差算法(MAD).绝对误差和算法(SAD).误差平方和算法(SSD).平均误差平方和算法(MSD).归一化积相关算法(NCC).序贯相似性检测算 ...

随机推荐

  1. Linux系统之网络相关的命令

    Linux系统之网络相关的命令 网络概述 网络:通过通信介质和通信设备 将分布不同地点的两台或多台计算机,经过相应的程序实现通信switch 交换机router 路由器网络的功能:数据通信:利用网络传 ...

  2. P4072 [SDOI2016]征途

    斜率优化裸题 题意大概是:求 最小的 \(m^2s^2\) =\(m^2(\frac{1}{m}\sum_{i=1}^{m}(sum_i - {\frac{\sum_{i=1}^{m}sum_i}{m ...

  3. 华为高斯 GaussDB 100 OLTP 单机在 RHEL 7.6 上的安装

    目录 你需要知道的 操作系统安装 GaussDB 100 安装 环境设置 创建用户组/用户/文件夹 软件上传/解压/安装 启动数据库 DataStudio 连接 服务器环境设置 DataStudio ...

  4. 375. 猜数字大小 II

    题目: 链接:https://leetcode-cn.com/problems/guess-number-higher-or-lower-ii/ 我们正在玩一个猜数游戏,游戏规则如下: 我从 1 到 ...

  5. Unity踩坑记录

    最近开始学习Unity,因为会一点儿C#,Delphi,Python,三种都是半桶水都算不上的级别. 首先排除了Python,其次delphi是我最喜欢的,奈何它目前我能了解到的引擎都很老了,dilp ...

  6. Python入门常识【入门必学】

         直接上内容:   print print 隔行 / 连续 / 间隔输出 print(a) == print(a,end='\n') print(a, end='') print(a, end ...

  7. ES6实现图片切换特效

    效果图 demo.html <!DOCTYPE html> <html lang="en"> <head> <meta charset=& ...

  8. SpringBoot之spring.factories

    组件提供者如何编写出仅需系统开发者进行包引入就可以对spring进行bean注入等操作?   其实在spring库中有提供自动化配置的库spring-boot-autoconfigure,我们只需要引 ...

  9. Monkey and Banana HDU - 1069 有点像背包，又像最长上升序列

    #include<iostream> #include<algorithm> #include<cstring> #include<vector> us ...

  10. P1402 酒店之王【网络流】【最大流】

    P1402 酒店之王 提交 5.39k 通过 2.16k 时间限制 1.00s 内存限制 125.00MB 题目提供者yeszy 难度省选/NOI- 历史分数100 提交记录 查看题解 标签 福建省历 ...