找到两张相似的图

找到两张相似的图

感知哈希perceptual hash

，相关的一个算法是感知哈希perceptual hash，他的作用是对每张图片生成一个指纹fingerprint字符串，然后对比不同的图片的指纹。结果越接近，就说明图片越相似。

下面介绍一个最简单的实现。

step1:缩小尺寸

将图片缩小到\(8\times 8\)的尺寸，总共64个像素。这一步的作用是除去图片的细节，只保留结构、明暗的基本信息，摒弃不同尺寸比例带来的图片差异

step2:简化色彩

将缩小后的图片，转为64级灰度。也就是说像素点总共只有64总颜色。

step3:计算平均值

计算64个像素的灰度平均值。

step4:比较像素的灰度

将每个像素的灰度与平均值进行比较。大于或者等于平均值，记为1，小于平均值记为0.

step5:计算哈希值

将上一步的比较结果，组合在一起，就构成了一个64位的整数。这就是这张图片的指纹。组合的次序并不重要，只要保证所有的图片都采用相同的次序就行。

= = 8f373714acfcf4d0

得到指纹后，就可以对比不同的图片，看看64位中有多少位是不一样的，在理论上，这等价于汉明距离。如果不相同的数据不超过5，就说两张图片很相似。如果大于10，就说明这是两张不同的图片

具体的代码实现，可以参见Wote用python语言写的imgHash.py。代码很短，只有53行。使用的时候，第一个参数是基准图片，第二个参数是用来比较的其他图片所在的目录，返回结果是两张图片之间不相同的数据位数量（汉明距离）。

这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。

实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。

文中给出的代码 imgHash.py，建议使用网上流行的代码片段（snippet）分享服务，既可以高亮，又可以有一定的评论和修改功能，何乐而不为？这些服务中比较好的有：
- https://gist.github.com/
- http://snipt.org/
- http://pastebay.com/
- http://pastebin.com/

"第四步，比较像素的灰度"
这个标题我觉得改为
“第四步，将灰度图转换为二值图”比较好
因为后面贴的图是纯黑白的，也就是二值图

另一种方法呢，为

颜色分步法

每张图片都可以生成颜色分布直方图color histogram。如果两张图的直方图很接近，就可以认为他们很相似。

即任何一种颜色都是由红绿蓝RGB三原色构成的，所以上图共有4张直方图(三原色直方图，加最后合成的直方图)

如果每种原色都可以取256个值，那么整个颜色空间共有1600万种颜色(256的三次方)。针对这1600万种颜色比较直方图，计算量实在太大。因此需要化简方法。可以将0~63为0区， 64~127为第1区， 128~191为第2区， 192~255为第3区.也就是说红绿蓝分别有4个区，总共可以构成64种组合，四的三次方。

任何一种颜色必然属于这64种组合中的一种，这样就可以统计出每一种组合包含的像素数量。

上图是某张图片的颜色分布表，将表中最后一栏提取出来，组成一个64维向量(7414, 230, 0, 0, 8, ..., 109, 0, 0, 3415, 53929)。这个向量就是这张图片的特征值或者叫"指纹"。

于是，寻找相似图片就变成了找出与其最相似的向量。这可以用皮尔逊相关系数或者余弦相似度算出。

内容特征法

除了颜色构成，还可以从比较图片内容的相似性入手。

首先，将原图转成一张较小的灰度图片，假定为50x50像素。然后，确定一个阈值，将灰度图片转成黑白图片。

如果两张图片很相似，它们的黑白轮廓应该是相近的。于是，问题就变成了，第一步如何确定一个合理的阈值，正确呈现照片中的轮廓？

显然，前景色与背景色反差越大，轮廓就越明显。这意味着，如果我们找到一个值，可以使得前景色和背景色各自的"类内差异最小"（minimizing the intra-class variance），或者"类间差异最大"（maximizing the inter-class variance），那么这个值就是理想的阈值。

1979年，日本学者大津展之证明了，"类内差异最小"与"类间差异最大"是同一件事，即对应同一个阈值。他提出一种简单的算法，可以求出这个阈值，这被称为"大津法"（Otsu's method）。下面就是他的计算方法。

假定一张图片共有n个像素，其中灰度值小于阈值的像素为 n1 个，大于等于阈值的像素为 n2 个（ n1 + n2 = n ）。w1 和 w2 表示这两种像素各自的比重。

　　w1 = n1 / n

　　w2 = n2 / n

再假定，所有灰度值小于阈值的像素的平均值和方差分别为 μ1 和 σ1，所有灰度值大于等于阈值的像素的平均值和方差分别为 μ2 和 σ2。于是，可以得到

　　类内差异 = w1(σ1的平方) + w2(σ2的平方)

　　类间差异 = w1w2(μ1-μ2)^2

可以证明，这两个式子是等价的：得到"类内差异"的最小值，等同于得到"类间差异"的最大值。不过，从计算难度看，后者的计算要容易一些。

下一步用"穷举法"，将阈值从灰度的最低值到最高值，依次取一遍，分别代入上面的算式。使得"类内差异最小"或"类间差异最大"的那个值，就是最终的阈值。具体的实例和Java算法，请看这里。

有了50x50像素的黑白缩略图，就等于有了一个50x50的0-1矩阵。矩阵的每个值对应原图的一个像素，0表示黑色，1表示白色。这个矩阵就是一张图片的特征矩阵。

两个特征矩阵的不同之处越少，就代表两张图片越相似。这可以用"异或运算"实现（即两个值之中只有一个为1，则运算结果为1，否则运算结果为0）。对不同图片的特征矩阵进行"异或运算"，结果中的1越少，就是越相似的图片。

来源：
大神1号