python把两张图片转化成向量，并计算向量之间的余弦距离来表征两张图片的相似度

可以使用Python库中的numpy和OpenCV来进行图像处理和计算向量互通。首先，将两张图片转化为灰度图像并将其缩放为相同的大小（如64x64）。然后将每个像素的值（0-255）除以255.0以获得归一化向量。最后，使用numpy库中的dot和linalg.norm函数计算两个向量之间的余弦距离。以下是示例代码：

import cv2
import numpy as np

# 加载两张图片并将其转化为灰度图像
img1 = cv2.imread('image1.jpg', 0)
img2 = cv2.imread('image2.jpg', 0)

# 缩放图像到相同大小
img1 = cv2.resize(img1, (64, 64))
img2 = cv2.resize(img2, (64, 64))

# 将像素点的值除以255.0以获得归一化向量
vec1 = img1.flatten() / 255.0
vec2 = img2.flatten() / 255.0

# 计算两个向量之间的余弦距离
cosine_distance = np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))

print('两张图片的余弦距离为：', cosine_distance)

该代码以通过将每个像素归一化为向量的形式来处理两个输入图像，然后使用向量之间的余弦距离来度量它们之间的相似度。

相关问题

语义相似度 专业词汇 python

### Python 中语义相似度的专业术语和实现方法

#### 一、专业术语解释

1. **词嵌入 (Word Embedding)**
词嵌入是一种将词语映射到实数向量空间的技术，使得具有相似含义的词语在该空间中有较短的距离。常用的模型包括 Word2Vec 和 GloVe。

2. **欧几里得距离 (Euclidean Distance)**
这种距离衡量的是两个向量之间的直线距离，在多维空间中用于评估两词向量间的差异程度[^1]。

3. **余弦相似度 (Cosine Similarity)**
计算两个非零向量间夹角的余弦值来判断其方向上的相似性。当两个向量越接近平行，则它们之间的角度就越小，相应的余弦值也越大，表明这两个向量更加相似。

4. **稀疏编码 (Sparse Encoding)**
将每个单词表示成高维度下的独热码形式，虽然直观易懂，但由于缺乏上下文信息而导致难以捕捉词汇间的内在联系[^2]。

5. **停用词过滤 (Stop Words Filtering)**
对于那些频繁出现却没有实质性贡献的虚词（如“的”、“在”等），可以通过预处理阶段去除这些干扰项以提高后续任务的效果[^3]。

6. **Wasserstein 距离 / 地球移动器距离 (Earth Mover's Distance, EMD 或 WMD)**
表征不同分布之间转换所需的最小工作量，应用于文档相似度测量时能够考虑整个句子结构而非单个词汇层面的信息损失情况；而简化版本称为 Relaxed Wasserstein Metric Distance(RWMD)[^4]。

7. **正则表达式 (Regular Expression)**
正则是用来描述字符串模式的强大工具，广泛应用于文本检索等领域，尽管不是直接与语义相关联，但在自然语言处理流程中扮演着重要角色[^5]。

8. **分布式表示法 (Distributed Representation)**
不同于传统的独热编码方式，通过低维稠密向量来表征每一个词汇，并且让彼此意思相近者拥有相仿数值特征，从而更好地反映真实世界里的语言现象。

9. **上下文感知模型 (Context-Aware Model)**
如 BERT 等预训练语言模型不仅关注单独字面意义还充分考虑到具体应用场景的影响因素，进而提供更为精准的结果反馈。

#### 二、Python 实现示例

下面给出一段利用 `gensim` 库加载预先训练好的 Google News 数据集上得到的 Word2Vec 模型并计算指定一对词语间相似性的代码片段：

from gensim.models import KeyedVectors

# 加载已有的 word2vec 模型文件
model_path = 'GoogleNews-vectors-negative300.bin'
wv = KeyedVectors.load_word2vec_format(model_path, binary=True)

def calculate_similarity(word_a, word_b):
    try:
        euclidean_dist = np.linalg.norm(wv[word_a]-wv[word_b])
        cosine_sim = wv.similarity(word_a, word_b)
        
        print(f"{word_a} vs {word_b}: Euclidean={euclidean_dist:.4f}, Cosine={cosine_sim:.4f}")
    
    except KeyError as e:
        print(e)


calculate_similarity('ramparts', 'Revolutions')

这段程序首先导入必要的库函数，接着定义了一个辅助函数 `calculate_similarity()` 来接收待比较的目标词汇参数并对二者执行两种不同的相似度评测操作——分别是基于欧式几何学原理以及线性代数理论框架内的运算逻辑得出结论。

深度学习判断两张图像相似度

### 使用深度学习计算两张图片相似度

#### 方法概述
为了利用深度学习技术评估和比较两张图像间的相似性，可以采用预训练模型提取特征并应用特定的距离度量方法。一种常见的方式是使用卷积神经网络(CNN)，尤其是那些已经在大规模数据集上预先训练过的模型，如ResNet、VGG或Inception系列。

这些模型能够自动从原始像素中捕获高层次语义信息，并将其转换为固定长度的向量表示形式——即所谓的“嵌入(embedding)”[^4]。一旦获得了两幅图对应的嵌入，则可以通过简单的数学运算来量化它们之间的关系：

- **余弦相似度**：衡量两个非零向量间夹角的余弦值；范围[-1, 1]，其中1意味着方向完全一致(最相似)[^3]。

- **欧氏距离(Euclidean Distance)**：测量两点在n维空间中的直线距离；数值越小表明两者越接近[^2].

对于实际应用场景而言，通常会选择余弦相似度作为评价指标，因为它不受样本尺度变化的影响，在处理不同尺寸甚至分辨率不一致的情况下表现更好。

#### 实现流程
以下是Python环境下实现上述思路的具体代码片段:

import torch
from torchvision import models, transforms
from PIL import Image

def get_embedding(image_path, model):
    preprocess = transforms.Compose([
        transforms.Resize((224, 224)),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
    ])
    
    img = Image.open(image_path).convert('RGB')
    input_tensor = preprocess(img)
    input_batch = input_tensor.unsqueeze(0)

    with torch.no_grad():
        embedding = model(input_batch)
        
    return embedding.flatten().numpy()

# 加载预训练模型（这里以resnet为例）
model = models.resnet50(pretrained=True)
model.fc = torch.nn.Identity() # 移除全连接层只保留特征抽取部分

image1_emb = get_embedding('./path_to_image1.jpg', model)
image2_emb = get_embedding('./path_to_image2.jpg', model)

cosine_similarity_value = np.dot(image1_emb, image2_emb)/(np.linalg.norm(image1_emb)*np.linalg.norm(image2_emb))
print(f"Cosine Similarity between two images is {cosine_similarity_value}")

这段脚本首先定义了一个辅助函数`get_embedding()`用于获取给定路径下图片经过指定CNN架构处理后的低维度表达。接着实例化一个去掉分类头(resnet默认最后一层)之后的ResNet50版本作为特征提取器。最后分别读取待测配对照片文件并通过调用前述函数获得各自表征向量，进而依据公式求得二者间的余弦相似度得分。