def remove_simillar_image_by_ssim(path): img_list = os.listdir(path) img_list.sort() hash_dic = {} save_list = [] count_num = 0 for i in range(len(img_list)): try: img = cv2.imread(os.path.join(path, img_list[i])) img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img = cv2.resize(img,(256, 256)) count_num+=1 except: continue if count_num==1: save_list.append(img_list[i]) continue elif len(save_list) <5: flag = True for j in range(len(save_list)): com_img = cv2.imread(os.path.join(path,save_list[j])) com_img = cv2.cvtColor(com_img,cv2.COLOR_BGR2GRAY) com_img = cv2.resize(com_img,(256,256)) sim = compare_ssim(img,com_img) if sim > 0.4: os.remove(os.path.join(path,img_list[i])) flag = False break if flag: save_list.append(img_list[i]) else

这段代码使用了结构相似性指数（SSIM）来去除相似图片。SSIM是一种用于测量两幅图像结构相似度的指标。

在代码中，首先对指定路径下的图片进行排序，并创建了一个哈希表`hash_dic`和一个保存列表`save_list`。然后，通过遍历图片列表，加载、处理和调整每个图片的尺寸。

在处理每个图片时，首先判断是否为第一张图片。如果是，将其加入到保存列表中。如果不是第一张图片，则遍历保存列表中的图片，并使用`compare_ssim`函数计算当前图片与保存列表中每张图片的SSIM值。

如果找到了与当前图片相似度高于0.4的图片，就将当前图片删除。否则，将其加入到保存列表中。

需要注意的是，在代码的最后一行缺少了处理在没有相似图片时的情况，您可以根据需求进行补充。

这段代码可以帮助您通过SSIM指标去除相似图片，但需要注意SSIM阈值的选择，以及在删除图片后更新图片列表的问题。

相关问题

def remove_simillar_picture_by_perception_hash(path): img_list = os.listdir(path) hash_dic = {} hash_list = [] count_num = 0 for img_name in img_list: try: img = cv2.imread(os.path.join(path, img_name)) img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) count_num+=1 print(count_num) except: continue

这段代码看起来是用来根据感知哈希算法（perception hash）去除相似图片的。它通过遍历指定路径下的图片文件，并使用OpenCV库加载和处理图片。然后，将每个图片转换成灰度图像（使用`cv2.cvtColor`函数），并计算感知哈希值。

然而，在您提供的代码中，缺少了计算哈希值的部分。感知哈希算法通常包括以下步骤：

1. 调整图片的尺寸为固定大小，例如8x8像素。
2. 将图片转换为灰度图像。
3. 计算灰度图像的平均像素值。
4. 遍历所有像素点，将每个像素点与平均值进行比较，将大于平均值的像素点标记为1，小于平均值的像素点标记为0。
5. 将所有标记得到的二进制位串连接起来，形成感知哈希值。

您需要在代码中添加计算感知哈希值的部分，然后将哈希值存入`hash_list`列表或`hash_dic`字典中，并在遍历图片时进行去重操作。