为了使用余弦相似度来找到与样例图片相似的图片，我们需要先进行一些预处理，然后计算每两张图片之间的余弦相似度。以下是一个简单的实现：
- 读取样例图片和目标文件夹中的所有图片。
- 对每张图片进行预处理，例如灰度化、降噪等。
- 计算每张图片与样例图片的余弦相似度。
- 找到与样例图片最相似的图片并复制到指定目录。
首先，确保你已经安装了必要的库：
pip install opencv-python numpy Pillow scikit-image
以下是Python代码：
import cv2
import numpy as np
from skimage import io, img_as_ubyte
from sklearn.metrics.pairwise import cosine_similarity
from PIL import Image
import os
import shutil # 图片路径和目标路径
sample_image_path = "测试图片\\356-1703817660893.jpg"
image_folder = "未分类图片文件夹"
output_folder = "输出图片文件夹" # 读取样例图片
sample_image = cv2.imread(sample_image_path, cv2.IMREAD_GRAYSCALE)
sample_image = img_as_ubyte(sample_image) # 确保图片在0-255范围内
sample_image = io.imread(sample_image) # 使用skimage读取，确保是数组格式 # 读取目标文件夹中的所有图片并预处理
images = []
for filename in os.listdir(image_folder): img = cv2.imread(os.path.join(image_folder, filename), cv2.IMREAD_GRAYSCALE) img = img_as_ubyte(img) # 确保图片在0-255范围内 img = io.imread(img) # 使用skimage读取，确保是数组格式 images.append(img) # 计算余弦相似度并找到最相似的图片
similarities = []
for image in images: similarity = cosine_similarity(sample_image.reshape(-1, 1), image.reshape(-1, 1))[0][0] similarities.append((similarity, image))
similarities.sort(key=lambda x: x[0], reverse=True) # 按相似度排序
most_similar_image = similarities[0][1] # 最相似的图片 # 复制最相似的图片到指定目录
output_filename = os.path.join(output_folder, "most_similar_" + os.path.basename(sample_image_path))
shutil.copyfile(os.path.join(image_folder, os.path.basename(sample_image_path)), output_filename) # 复制原样例图片到指定目录
shutil.copyfile(os.path.join(image_folder, os.path.basename(most_similar_image)), output_filename) # 复制最相似的图片到指定目录注意：这个代码假设所有的图片都已经以灰度格式存储，并且大小相同。如果实际情况不是这样，你可能需要进行一些额外的预处理步骤，例如调整大小或转换为灰度。此外，对于大型图片集，计算余弦相似度可能会比较慢，因此你可能需要使用更高效的相似度计算方法或优化代码。
