用JavaScript来计算两个图像的类似度

最近看了阮一峰老师的类似图片搜索的原理（二），其中介绍了经过内容特征法来对比两个图片的类似性。

大体步骤：

1. 把图片都缩放到50x50大小
2. 转成灰度图片
3. 利用"大津法"（Otsu's method）肯定阈值
4. 经过阈值再对图片进行二值化
5. 对比两个图片对应位置像素，得出结果

接下来，看看用JS怎么实现上面的步骤，理论部分就很少介绍了，仍是看类似图片搜索的原理（二）

首先，对图片数据进行操做固然要使用canvas，因此先建立一个画布和它的绘图上下文

const canvas = document.createElement('canvas')
const context = canvas.getContext('2d')

把图片缩放渲染到画布，获得图片像素数据：

function toZoom() {
  canvas.width = 50
  canvas.height = 50

  const img = new Image
  img.onload = function () {
    context.drawImage(this, 0, 0, this.width, this.height, 0, 0, 50, 50)
    const imageData = context.getImageData(0, 0, 50, 50)
  }
  img.src = 'test.jpg'
}

图片灰度化，灰度就是图片每一个像素的r、g、b设置相同的值，计算每一个像素的值的方法有不少，这里使用加权算法：

function toGray() {
  const grayData = []
  const data = imageData.data
  canvas.width = 50
  canvas.height = 50

  for (let i = 0; i < data.length; i += 4) {
    const gray = data[i] * .299 + data[i + 1] * .587 + data[i + 2] * .114 | 0
    data[i] = data[i + 1] = data[i + 2] = gray
    grayData.push(gray)
  }

  context.putImageData(imageData, 0, 0)

  return grayData
}

在对图片二值化，使之变成黑白图片以前，要先肯定一个阈值，根据这个阈值对图片二值化，能使图片的轮廓最明显。
文章中提到了经过"大津法"（Otsu's method）来求得这个阈值，并给了一个实例网站，提供了Java版算法，用JS改写：

function toOtsu() {
  let ptr = 0
  let histData = Array(256).fill(0) // 记录0-256每一个灰度值的数量，初始值为0
  let total = grayData.length

  while (ptr < total) {
    let h = 0xFF & grayData[ptr++]
    histData[h]++
  }

  let sum = 0        // 总数(灰度值x数量)
  for (let i = 0; i < 256; i++) {
    sum += i * histData[i]
  }


  let wB = 0         // 背景（小于阈值）的数量
  let wF = 0         // 前景（大于阈值）的数量
  let sumB = 0       // 背景图像（灰度x数量）总和
  let varMax = 0     // 存储最大类间方差值
  let threshold = 0  // 阈值

  for (let t = 0; t < 256; t++) {
    wB += histData[t]       // 背景（小于阈值）的数量累加
    if (wB === 0) continue
    wF = total - wB         // 前景（大于阈值）的数量累加
    if (wF === 0) break

    sumB += t * histData[t] // 背景（灰度x数量）累加

    let mB = sumB / wB          // 背景（小于阈值）的平均灰度
    let mF = (sum - sumB) / wF  // 前景（大于阈值）的平均灰度

    let varBetween = wB * wF * (mB - mF) ** 2  // 类间方差

    if (varBetween > varMax) {
      varMax = varBetween
      threshold = t
    }
  }

  return threshold
}

根据上面求得的阈值进行二值化，小于阈值的灰度值为0，大于阈值的灰度值为255：

function toBinary() {
  const threshold = toOtsu(grayData, index)
  const imageData = context.createImageData(50, 50)
  const data = imageData.data
  const temp = []

  grayData.forEach((v, i) => {
    let gray = v > threshold ? 255 : 0
    data[i * 4] = data[i * 4 + 1] = data[i * 4 + 2] = gray
    data[i * 4 + 3] = 255
    temp.push(gray > 0 ? 0 : 1)
  })

  canvas.width = 50
  canvas.height = 50
  context.putImageData(imageData, 0, 0)
}

最后计算两个图像每一个像素的值相同的占总数的百分比。

function toCompare() {
  let sameCount = 0
  // img1_data
  // img2_data

  const total = img1_data.length
  for (let i = 0; i < total; i++) {
    sameCount += img1_data[i] === img2_data[i]
  }

  console.log((sameCount / total * 100).toLocaleString() + '%')
}

不知道是否是哪步出错了，感受用这个方法计算出来的结果并不理想😅。实例demo