OpenCV

【C++】OpenCVを使った画像比較の基本アルゴリズムと実装例

2025-04-26更新日: 2025-04-26

C++ と OpenCV を使う画像比較は、差分抽出や SSIM により画像の細かい違いを把握できる機能です。

画像サイズやチャンネル数の一致が前提となり、簡潔なコードで類似性の評価が可能な点が魅力です。

効率的な処理により、様々な用途に応用できる点が優れています。

目次から探す

画像比較の基本
- 画像データの表現と特性
- C++とOpenCVの役割
画像前処理と最適化手法
差分抽出による画像比較
構造的類似度指数 (SSIM) の活用
ヒストグラム解析による比較
特徴量抽出を利用した画像比較
画像比較アルゴリズムの評価と限界
アルゴリズム選定の考慮点
トラブルシューティング
まとめ

画像比較の基本

画像データの表現と特性

画像は、画素の集まりとして表現され、各画素は色や明るさの情報を持ちます。

例えば、RGB画像の場合、各画素は赤、緑、青の3つの値で構成されます。

行列形式で保持されるため、行列演算を活用することで効率的な処理が可能になります。

画像の解像度やチャンネル数が比較結果に影響するため、事前に画像データの特性を理解することが大切です。

C++とOpenCVの役割

C++は高速な処理が求められる画像処理に適しており、OpenCVは豊富な画像処理機能を提供します。

OpenCVを使用すると、画像の読み込み、前処理、比較評価など多様な処理が簡単に実装でき、信頼性の高いアルゴリズムを利用することができます。

C++の厳密な型付けとメモリ管理が、パフォーマンス最適化にも貢献します。

画像前処理と最適化手法

リサイズとスケーリングによる整合性確認

画像比較の際、異なるサイズの画像同士を直接比較するのは難しいため、リサイズやスケーリングを行うことが推奨されます。

画像サイズを統一することで、ピクセルごとの差分計算やヒストグラム解析が正確に実施できるようになります。

また、画素の整合性が保たれるよう、アスペクト比に注意しながらリサイズ処理を行うと安心です。

グレースケール変換の効果

カラー画像の場合、比較演算が複雑になることがあるため、グレースケール変換を実施するケースが多く見られます。

グレースケール変換により、輝度情報だけが残り、処理がシンプルになり精度向上につながることがあります。

各カラー成分のウェイトを調整することで、より人間の視覚に近い結果を得ることもできます。

ノイズ除去と平滑化処理

画像には環境や撮影条件に応じたノイズが含まれている場合があるため、前処理でノイズ除去を行うと比較精度が向上します。

平滑化処理を適用することで、不要な細部の変動を抑え、主要な特徴が際立つ状態に調整できます。

フィルタ処理の種類

ガウシアンフィルタ
メディアンフィルタ
バイラテラルフィルタ

それぞれのフィルタは、処理対象や目的に応じて使い分けが必要です。

たとえば、ガウシアンフィルタは連続性のある平滑化に適し、メディアンフィルタは塩胡椒ノイズの除去に効果的です。

正規化とコントラスト調整

正規化を行うことで、各画像の輝度値が同程度の範囲に収まるように調整することができます。

コントラスト調整も同時に実施すると、重要な特徴を強調し比較の精度が向上します。

正規化の数式： $\frac{x - min}{max - min}$

この数式は、入力値 $x$ が最小値 $min$ と最大値 $max$ の間で正規化される様子を示しています。

各画素の輝度値を0から1の範囲に圧縮することで、比較時のバイアスを軽減します。

差分抽出による画像比較

ピクセル単位での差分計算

2つの画像の各対応画素間で差を計算する方法は、シンプルで直感的な比較手法です。

画素ごとの差分を求め、その結果を基に類似度を評価します。

差分抽出アルゴリズムの概要

各画素の絶対値を計算し、異なる箇所の数をカウントします。

差が小さい場合は画像が近いと判断し、大きい場合は画像間に顕著な違いがあると見なすことが可能です。

以下に、サンプルコードを示します。

#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
    // 画像をグレースケールで読み込みます
    cv::Mat image1 = cv::imread("sample1.jpg", cv::IMREAD_GRAYSCALE);
    cv::Mat image2 = cv::imread("sample2.jpg", cv::IMREAD_GRAYSCALE);
    if (image1.empty() || image2.empty()) {
        std::cerr << "画像の読み込みに失敗しました" << std::endl;
        return -1;
    }
    // 画像サイズが同じかチェックします
    if (image1.size() != image2.size()) {
        std::cerr << "画像サイズが一致していません" << std::endl;
        return -1;
    }
    // 差分画像を計算します
    cv::Mat diffImage;
    cv::absdiff(image1, image2, diffImage);
    // 差がある画素数をカウントします
    int diffCount = cv::countNonZero(diffImage);
    std::cout << "差分のある画素数: " << diffCount << std::endl;
    return 0;
}

差分のある画素数: 1234

このサンプルコードは、画像をグレースケールで読み込み、各画素の絶対差を計算して非ゼロ画素の数を求める方法を示しています。

絶対差分と閾値処理

計算された差分画像に対して、あらかじめ設定した閾値で二値化処理を加えると、多少のノイズがあっても主要な変化のみを抽出できます。

これにより、比較の際に余分な影響を受けにくくなります。

閾値処理は、簡単な条件分岐による処理のため、実装しやすく実用性が高い方法です。

非ゼロ画素数による比較評価

差分画像の中で非ゼロの画素の数を評価することで、2つの画像間の全体的な違いを確認できます。

差分が少ないほど、画像の内容が似通っていると判断でき、差分が大きければ大きいほど違いが顕著に現れることが期待できます。

構造的類似度指数 (SSIM) の活用

SSIMの基本原理

SSIMは画像の品質や類似度を評価する指標のひとつです。

画像の輝度、コントラスト、構造の3つの要素に注目し、細部までクオリティを評価するため、従来の手法よりも人間の視覚に近い比較が可能になります。

輝度、コントラスト、構造の評価

輝度評価：画像全体の明るさの違いを検出します
コントラスト評価：局所的な明暗の差を測定し、画像のダイナミックレンジを比較します
構造評価：画像のエッジやパターン情報に注目し、構造的な違いを明確にします

輝度評価の詳細

画像全体の平均明度を計算し、異なる画像間の輝度の変化を把握します。

平均値が近ければ、輝度面での違いが小さいと判断されます。

コントラスト評価の詳細

各画像の輝度分散を使用し、コントラストの一致度を評価します。

分散が近い場合、コントラストの違いが少ないと捉えることができます。

構造評価の詳細

画像の局所領域のパターンを解析し、共通の特徴がどの程度一致しているかを判断します。

コーナーやエッジ情報が類似していると、高い評価につながります。

定数 $C_{1}$ と $C_{2}$ の役割

定数 $C_{1}$ と $C_{2}$ は、分母がゼロになるのを防ぐために導入されます。

これらの定数は、画像の特性に合わせて調整することが可能であり、計算の安定性を保つために必要なパラメータです。

SSIMの数式と計算手順

SSIMは次の式で表されます。

$SSIM = \frac{(2 μ_{x} μ_{y} + C_{1}) (2 σ_{x y} + C_{2})}{(μ_{x}^{2} + μ_{y}^{2} + C_{1}) (σ_{x}^{2} + σ_{y}^{2} + C_{2})}$

ここで、 $μ_{x}$ と $μ_{y}$ は各画像の平均、 $σ_{x}^{2}$ と $σ_{y}^{2}$ は分散、 $σ_{x y}$ は共分散を示します。

計算手順は、対象画像の輝度値から統計量を取得し、上記の数式を適用することで求められます。

以下にサンプルコードを示します。

#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <iostream>
// SSIMの計算を行う関数
double computeSSIM(const cv::Mat& img1, const cv::Mat& img2) {
    // 画像サイズとチャンネル数が同じかチェックします
    if (img1.size() != img2.size() || img1.channels() != img2.channels()) {
        std::cerr << "画像サイズまたはチャンネル数が一致しません" << std::endl;
        return -1.0;
    }
    // グレースケール画像に変換します
    cv::Mat gray1, gray2;
    cv::cvtColor(img1, gray1, cv::COLOR_BGR2GRAY);
    cv::cvtColor(img2, gray2, cv::COLOR_BGR2GRAY);
    // 平均と標準偏差を計算します
    cv::Scalar mean1, stddev1;
    cv::meanStdDev(gray1, mean1, stddev1);
    cv::Scalar mean2, stddev2;
    cv::meanStdDev(gray2, mean2, stddev2);
    // 共分散を計算します
    cv::Mat diff1 = gray1 - mean1[0];
    cv::Mat diff2 = gray2 - mean2[0];
    double covariance = cv::mean(diff1.mul(diff2))[0];
    // SSIMの計算に必要な定数
    double C1 = 6.5025, C2 = 58.5225;
    double numerator = (2 * mean1[0] * mean2[0] + C1) * (2 * covariance + C2);
    double denominator = (mean1[0]*mean1[0] + mean2[0]*mean2[0] + C1) *
                         (stddev1[0]*stddev1[0] + stddev2[0]*stddev2[0] + C2);
    return numerator / denominator;
}
int main() {
    // 画像を読み込みます
    cv::Mat image1 = cv::imread("sample1.jpg");
    cv::Mat image2 = cv::imread("sample2.jpg");
    if (image1.empty() || image2.empty()) {
        std::cerr << "画像の読み込みに失敗しました" << std::endl;
        return -1;
    }
    double ssimValue = computeSSIM(image1, image2);
    std::cout << "SSIM: " << ssimValue << std::endl;
    return 0;
}

SSIM: 0.9123

このコードは、2つの画像のSSIMを計算する簡単な例です。

グレースケール変換、統計量の抽出、そして上記の数式に基づく計算が順次実施されます。

計算結果は、1に近いほど高い類似度を示すため、SSIMを使った比較評価の有用性が確認できます。

ヒストグラム解析による比較

ヒストグラムの基本と役割

ヒストグラムは、画像中の輝度値の分布を表すグラフで、各輝度値が何回出現しているかを示します。

画像全体の明るさやコントラストの傾向を把握するために便利な手法です。

複数の画像間でヒストグラムを比較することで、輝度のバランスや特徴の変化を数値的に評価できます。

平滑化と正規化手法

ヒストグラムに平滑化を加えることで、一時的なノイズの影響を抑え、全体の傾向を明確にします。

また、正規化を実施すると、画像サイズや総画素数の違いを補正して、比較しやすい形に調整されます。

正規化後は各度数が共通のスケールに収まり、比較の信頼性が向上します。

ヒストグラム差分による評価

2つの画像のヒストグラムを差分計算することで、全体的な明るさやコントラストの変化を定量的に把握できます。

たとえば、ヒストグラムの各ビンごとの差の絶対値を計算し、その総和を評価指標として利用する方法があります。

これにより、画像全体の調和度や違いの大きさを把握できます。

特徴量抽出を利用した画像比較

キーポイント検出とディスクリプタ抽出

画像内の特徴的な点(キーポイント)を検出し、それらの周辺領域の情報を数値ベクトル(ディスクリプタ)として抽出します。

OpenCVの機能を利用すると、SIFTやORBなどのアルゴリズムを簡単に実装でき、画像の局所情報を効果的に捉えることができます。

特徴量マッチングの原理

2つの画像間で抽出されたディスクリプタ同士を比較し、類似度を計算します。

距離関数を用いて各ディスクリプタ間の差を測定し、最も近いもの同士を対応付けます。

マッチング結果が多い場合は、画像全体の一致度が高いと判断できます。

距離計算と閾値設定

特徴量の比較には、ユークリッド距離やハミング距離などの計算手法が利用されます。

さらに、マッチング候補の中から信頼性の高いものを選別するために閾値を設定し、誤ったマッチングが除外されるように調整します。

これにより、比較の精度が向上します。

画像比較アルゴリズムの評価と限界

各手法のメリットとデメリット

差分抽出による比較

メリット: シンプルで処理が高速

デメリット: ノイズの影響を受けやすい

SSIMによる評価

メリット: 人間の視覚に近い評価が可能

デメリット: 計算が多少重くなる場合がある

ヒストグラム解析

メリット: 全体の輝度分布からの比較が可能

デメリット: 局所的な変化を十分に捉えられないことがある

特徴量抽出による比較

メリット: 局所情報を活用できるため複雑な画像でも対応可能

デメリット: 実装が複雑になり、パラメータ調整が必要

画像解像度とサイズの影響

画像の解像度やサイズが比較結果に影響するため、前処理で適切なリサイズや正規化を行う必要があります。

高解像度画像の場合、計算量が増加するため処理速度とのバランスを考慮することが大切です。

処理速度と精度のトレードオフ

シンプルな差分計算は高速ですが、詳細な違いを捉えるのは難しいことがあります。

一方、SSIMや特徴量抽出は精度が高くなる傾向がありますが、計算コストが上がるため、用途に合わせた最適な方法の選定が求められます。

アルゴリズム選定の考慮点

画像の種類と比較目的に応じた選択

比較対象となる画像の種類(風景、人物、スキャン画像など)や比較する目的に合わせて、最も適したアルゴリズムを選ぶとよいです。

たとえば、細部の一致を重視する場合は特徴量抽出、全体の明るさの傾向を把握する場合はヒストグラム解析が向いています。

比較手法の適用分野

各手法は、防犯カメラの監視、医療画像の解析、画像認識など、幅広い分野で利用されます。

用途に合わせた手法の組み合わせやパラメータ調整が、実際の問題解決につながります。

パラメータ調整の重要性

各アルゴリズムには、閾値やフィルタサイズ、正規化の方法など、調整すべきパラメータが存在します。

実運用において、実験的に最適な値を見つけ出すことが、比較精度をさらに高める要因となります。

トラブルシューティング

画像読み込みエラーへの対応

画像のパスが正しいか、ファイル形式に対応しているかを確認してください。

不具合がある場合、エラーメッセージやログを精査し、ファイル権限やパスの誤りがないかをチェックすることが大切です。

サイズ不一致の検出と対処

比較対象の画像間でサイズが一致しない場合、リサイズ処理を実施してください。

アスペクト比を保持しつつ調整することが重要です。

必要に応じて、画像の中央部分を切り出して統一サイズにする方法も検討してください。

パフォーマンス低下の原因解析

大量の画像や高解像度画像を処理する場合、計算量が増加しパフォーマンスに影響が出ることがあります。

アルゴリズムの実装効率やハードウェア環境の見直し、必要に応じた並列処理や最適化手法の採用が、改善に効果的です。

まとめ

今回の記事では、画像比較の様々な手法について優しく解説しています。

画像の前処理から差分抽出、SSIM、ヒストグラム解析、特徴量抽出といったアプローチの違いやそれぞれの特徴を理解するための情報を提供しています。

アルゴリズムの選択やパラメータ調整、トラブルシューティングに関するポイントも記載しており、実際の開発や研究に活かしてみるとよいでしょう。

皆さんが画像比較の手法を活用し、さまざまな応用シーンに役立てることを願っています。