實踐概念
使用 TensorFlow 的圖像處理函數，將兩張圖片讀入並進行比對。
比如您可以使用 OpenCV 庫將圖片讀入，然後使用 TensorFlow 庫對兩張圖片進行比對。 您可以使用 TensorFlow 的圖像處理函數，例如圖像縮放、旋轉和鏡像轉換等，對兩張圖片進行預處理。接著您可以使用 TensorFlow 中的數值計算函數，例如 mean square error (MSE) 或 structural similarity index (SSIM)等，對兩張圖片進行比對。
如果比對結果的值非常小，則可以認為兩張圖片非常相似，反之則表示兩張圖片不相似。
Structural Similarity Index (SSIM)
Structural Similarity Index (SSIM) 是一種用於評估圖像相似度的指標。它是基於人眼視覺系統的特性，模擬人眼對圖像質量的敏感度，並使用三個要素來評估圖像相似度：亮度、對比度和結構。
亮度（luma）: 表示圖像中所有像素的平均亮度
對比度（contrast）: 表示圖像中各像素亮度值的差異程度
結構（structure）: 表示圖像中各像素之間的相關性
SSIM 使用這三個要素的加權和來計算圖像之間的相似度，其值介於 -1 到 1 之間，值越大則表示圖像相似度越高。
SSIM 有很好的相似度表示能力，在圖像壓縮、還原和質量評估等領域有著廣泛的應用。
使用Tensorflow實現SSIM的簡單範例
以下是使用 TensorFlow 實現 SSIM 的簡單範例，該範例使用兩張圖片來比較它們的相似度：
import tensorflow as tf
# 讀入兩張圖片
img1 = tf.io.read_file('image1.jpg')
img2 = tf.io.read_file('image2.jpg')
img1 = tf.image.decode_jpeg(img1, channels=3)
img2 = tf.image.decode_jpeg(img2, channels=3)
# 計算兩張圖片的 SSIM
ssim = tf.image.ssim(img1, img2, max_val=255)
# 顯示 SSIM 值
print(ssim)
這個範例中，我們使用 TensorFlow 的 I/O 函數來讀入兩張圖片，使用 decode_jpeg 函數將圖片解碼為 Tensor，然後使用 ssim 函數對兩張圖片進行比對，最終顯示 SSIM 值。
注意: 這個範例中，由於是在計算兩張圖片的 SSIM，所以需要兩張圖片大小相同，如果不同需要先對兩張圖片進行resize或pad。
