在使用高斯模糊和减法模糊图像后，我有更多的非零像素

Question

我试着用一幅图像减去另一幅来检查两幅图像是否相同。 我正在使用cv2.countNonZero检查非零像素的数量。 问题是，在对图像进行任何更改之前，我得到了大约3000个非零像素，在新图像（通过减法创建）中，我可以看到所有这些像素，但在使用高斯模糊（cv2.GaussianBlur（image1，（3,3），0））之后，我得到了大约6000个非零像素，但新图像都是黑色的

如果我的描述不清楚，下面是代码：

image1 = cv2.imread(path1)
image2 = cv2.imread(path2)


#Gaussian Filtering
gaus_image1  = cv2.GaussianBlur(image1,(3,3),0)
gaus_image2  = cv2.GaussianBlur(image2,(3,3),0)

gaus_diff = cv2.subtract(gaus_image1, gaus_image2)

print(str(cv2.countNonZero(cv2.cvtColor(gaus_diff, cv2.COLOR_BGR2GRAY))))
cv2.imshow('gaus_diff.png', gaus_diff)

什么会导致这种行为？ 黑色图像有这么多非零像素有意义吗？ 如果是，是否有其他方法验证图像是否全黑

谢谢

Answer 1

1. 为什么你看不到它的答案是：

考虑到像素的灰度值介于0-255之间，对于0差，两个像素必须采用相同的值。由于高斯模糊，像素值​​会合。例如，让我们将两张图片中的像素p1和p2放在同一坐标系中。在高斯模糊之前，值​​分别为p1=330，p2=301差异（p1，p2）=29，而高斯模糊后其值​​是p1=315，p2=313，也就是说，差（p1，p2）=2。由于灰度值为29的图像比2的图像白得多，因此看起来更清晰

1. 有更多非零值的答案是：

高斯模糊的目的是减少目标边缘的数量，以获得平滑的图像。执行此操作时，值​​许多像素会聚，得到更平滑的过渡。但是，这并不意味着相似的图像在相同的像素坐标下具有相同的值。对图片应用独特的平滑处理，每个像素值根据其相邻像素重新分配给图片。事实上，你得到的结果正好证实了这一点。您无法准确观察，因为像素值​​彼此接近，但由于高斯分布，相同的像素数将减少

1. 忠告：

有一种更简单的统计方法来判断两张图片是否相同。 找出平均值和标准偏差值​​对于具有（平均值，STD）=cv2.MeansTDEV（图像1）的每个RGB通道，并计算值​​和其他图像的距离。经过几次尝试，您可以观察到相同的图像应该有多接近。 “颜色通道统计”一词可用于谷歌搜索