ML之Hash_EditDistance：基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法进行判别

ML之Hash_EditDistance：基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法实现计算图像相似度案例

目录

基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法实现计算图像相似度案例

输出结果

代码实现

相关文章ML之相似度计算：图像数据、字符串数据等计算相似度常用的十种方法简介、代码实现ML之Hash_EditDistance&Hash_HammingDistance&Hog_HanMing&Cosin&SSIM：基于输入图片利用多种算法进行判别ML之Hash_EditDistance：基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法进行判别ML之Hash_HamMingDistance：基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用汉明距离算法进行判别ML之Hog_HammingDistance：基于Hog特征提取“RGB”图像的768个值的单向vector利用汉明距离算法进行判别ML之Cosin：基于输入图片RGB均值化转为单向vector利用Cosin(余弦相似度)算法进行判别ML之SSIM：基于输入图片RGB的三维向量利用SSIM(结构相似性度量)算法进行判别

基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法实现计算图像相似度案例 输出结果

代码实现

    def edit_dis(self, str1, str2):
        len1 = len(str1)
        len2 = len(str2)
        dp = np.zeros((len1 + 1, len2 + 1))
        for i in range(len1 + 1):
            dp[i][0] = i
        for j in range(len2 + 1):
            dp[0][j] = j
    
        for i in range(1, len1 + 1):
            for j in range(1, len2 + 1):
                temp = 0 if str1[i - 1] == str2[j - 1] else 1
                dp[i][j] = min(dp[i - 1][j - 1] + temp, min(dp[i - 1][j] + 1, dp[i][j - 1] + 1))
        return dp[len1][len2]