相似图片检测

一、传统哈希算法

1.平均哈希算法（aHash）

此算法是基于比较灰度图每个像素与平均值来实现的，最适用于缩略图，放大图搜索

步骤：
1.缩放图片：为了保留结构去掉细节，去除大小、横纵比的差异，把图片统一缩放到8*8，共64个像素的图片
2.转化为灰度图：把缩放后的图片转化为256阶的灰度图
    附上几种常用的灰度图相关算法（R = red， G = green， B = blue）
    1.浮点算法：Gray = R * 0.3 + G * 0.59 + B * 0.11
    2.整数方法：Gray = (R * 30 + G * 59 + B * 11) / 100
    3.移位方法：Gray = (R * 76 + G * 151 + B * 28) >> 8
    4.平均值法：Gray = (R + G + B) / 3
    5.仅取绿色：Gray = G
3.计算平均值： 计算进行灰度处理后图片的所有像素点的平均值
4.比较像素灰度值：遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0
5.得到信息指纹：组合64个bit位，顺序随意保持一致性即可

此算法可参考开源项目下载地址： http://download.csdn.net/detail/nash_/5093143

2.感知哈希算法（pHash）

平均哈希算法过于严格，不够精确，更适合搜索缩略图，为了获得更精确的结果可以选择感知哈希算法，它采用的是DCT（离散余弦变换）来降低频率的方法

步骤：
1.缩小图片：32 * 32是一个较好的大小，这样方便DCT计算
2.转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）
3.计算DCT:DCT把图片分离成分率的集合
4.缩小DCT：DCT是32*32，保留左上角的8*8，这些代表的图片的最低频率
5.计算平均值：计算缩小DCT后的所有像素点的平均值
6.进一步减小DCT：大于平均值记录为1，反之记录为0
7.得到信息指纹：组合64个信息位，顺序随意保持一致性即可

此算法可参考开源项目pHash，下载地址： http://www.phash.org/download/

3.差异哈希算法（dHash）

相比pHash，dHash的速度要快的多，相比aHash，dHash在效率几乎相同的情况下的效果要更好，它是基于渐变实现的

步骤：
1.缩小图片：收缩到9*8的大小，以便它有72的像素点
2.转化为灰度图：把缩放后的图片转化为256阶的灰度图。（具体算法见平均哈希算法步骤）
3.计算差异值：dHash算法工作在相邻像素之间，这样每行9个像素之间产生了8个不同的差异，一共8行，则产生了64个差异值
4.获得指纹：如果左边的像素比右边的更亮，则记录为1，否则为0

流程如下：原始图像->压缩->灰度处理->计算hash值->汉明距离 这里着重介绍最后两步 对比指纹：根据两幅图片的指纹（选用上面三种hash计算方法中的一种计算出的值），计算汉明距离（从一个指纹到另一个指纹需要变几次），汉明距离越大则说明图片越不一致，反之，汉明距离越小则说明图片越相似，当距离为0时，说明完全相同。（通常认为距离>10 就是两张完全不同的图片）

二、几种特征算法

1.SIFT特征

SIFT具有较好的尺度不变性，即使改变旋转角度或者拍摄角度，仍然能够得到较好的检测效果，主要用来查找关键信息比如图片搜索。而且现在因为专利问题比较麻烦。

SIFT算法实现物体识别主要有三大工序，1、提取关键点；2、对关键点附加详细的信息（局部特征）也就是所谓的描述器；3、通过两方特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，也就建立了景物间的对应关系。

2.SURF特征

SURF（Speeded Up Robust Features）是对SIFT的改进版本，改进后的主要优点是速度更快，更适合做实时的特征检查。对于需要实时运算的场合，如基于特征点匹配的实时目标跟踪系统，每秒要处理8-24帧的图像，需要在毫秒级内完成特征点的搜索、特征矢量生成、特征矢量匹配、目标锁定等工作，这样SIFT算法就很难适应这种需求了。实验证明，SURF算法较SIFT在运算速度上要快3倍左右。

3.GIST特征

三、聚类算法

1.K-means聚类、聚类中心点作为特征向量、对比向量相近度

四、颜色直方图匹配

图像直方图是用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。
直方图只能做相同图像相同事物的比较，在做相似性图像的比较时效果较差，很难直接用于工业上的图像的相似性检索等工作

五、卷积神经网络

计算量比较大