许多查找引擎能够用一张图片，查找互联网上一切与它类似的图片。你输入网片的网址，或许直接上传图片，Google就会找出与其类似的图片。下面这张图片是美国女演员Alyson Hannigan。
上传后，Google回来如下成果：
类似的”类似图片查找引擎”还有不少，TInEye乃至能够找出相片的拍照布景。
===================================================
这种技能的原理是什么？核算机怎样知道两张图片类似呢？
依据Neal Krawetz博士的解说，原理十分简略易懂。咱们能够用一个快速算法，就到达根本的作用。
这儿的关键技能叫做”感知哈希算法”（Perceptual hash algorithm），它的作用是对每张图片生成一个”指纹”（fingerprint）字符串，然后比较不同图片的指纹。成果越挨近，就阐明图片越类似。
下面是一个最简略的完成：
第一步，缩小尺度。
将图片缩小到8&TImes;8的尺度，一共64个像素。这一步的作用是去除图片的细节，只保存结构、明暗等根本信息，摒弃不同尺度、份额带来的图片差异。
第二步，简化色彩。
将缩小后的图片，转为64级灰度。也便是说，一切像素点一共只需64种色彩。
第三步，核算平均值。
核算一切64个像素的灰度平均值。
第四步，比较像素的灰度。
将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。
第五步，核算哈希值。
将上一步的比较成果，组合在一起，就构成了一个64位的整数，这便是这张图片的指纹。组合的次第并不重要，只需确保一切图片都选用相同次第就行了。
得到指纹今后，就能够比照不同的图片，看看64位中有多少位是不相同的。在理论上，这等同于核算“汉明间隔”（Hamming distance）。假如不相同的数据位不超越5，就阐明两张图片很类似；假如大于10，就阐明这是两张不同的图片。
详细的代码完成，能够拜见Wote用python言语写的imgHash.py。代码很短，只需53行。运用的时分，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地点的目录，回来成果是两张图片之间不相同的数据位数量（汉明间隔）。
这种算法的长处是简略快速，不受图片大小缩放的影响，缺陷是图片的内容不能变更。假如在图片上加几个文字，它就认不出来了。所以，它的最佳用处是依据缩略图，找出原图。
实践使用中，往往选用更强壮的pHash算法和SIFT算法，它们能够辨认图片的变形。只需变形程度不超越25%，它们就能匹配原图。这些算法尽管更杂乱，可是原理与上面的简洁算法是相同的，便是先将图片转化成Hash字符串，然后再进行比较。
昨日，我在isnowfy的网站看到，还有其他两种办法也很简略，这儿做一些笔记。
一、色彩散布法
每张图片都能够生成色彩散布的直方图（color histogram）。假如两张图片的直方图很挨近，就能够以为它们很类似。
任何一种色彩都是由红绿蓝三原色（RGB）构成的，所以上图共有4张直方图（三原色直方图 + 终究组成的直方图）。
假如每种原色都能够取256个值，那么整个色彩空间共有1600万种色彩（256的三次方）。针对这1600万种色彩比较直方图，核算量真实太大了，因而需求选用简化办法。能够将0～255分红四个区：0～63为第0区，64～127为第1区，128～191为第2区，192～255为第3区。这意味着红绿蓝别离有4个区，一共能够构成64种组合（4的3次方）。
任何一种色彩必定归于这64种组合中的一种，这样就能够核算每一种组合包括的像素数量。
上图是某张图片的色彩散布表，将表中终究一栏提取出来，组成一个64维向量（7414， 230， 0， 0， 8， …， 109， 0， 0， 3415， 53929）。这个向量便是这张图片的特征值或许叫”指纹”。
所以，寻觅类似图片就变成了找出与其最类似的向量。这能够用皮尔逊相关系数或许余弦类似度算出。
二、内容特征法
除了色彩构成，还能够从比较图片内容的类似性下手。
首要，将原图转成一张较小的灰度图片，假定为50&TImes;50像素。然后，确认一个阈值，将灰度图片转成是非图片。
假如两张图片很类似，它们的是非概括应该是附近的。所以，问题就变成了，第一步怎么确认一个合理的阈值，正确出现相片中的概括？
显着，前景色与布景色反差越大，概括就越显着。这意味着，假如咱们找到一个值，能够使得前景色和布景色各自的”类内差异最小”（minimizing the intra-class variance），或许”类间差异最大”（maximizing the inter-class variance），那么这个值便是抱负的阈值。
1979年，日本学者大津展之证明晰，”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。他提出一种简略的算法，能够求出这个阈值，这被称为“大津法”（Otsu’s method）。下面便是他的核算办法。
假定一张图片共有n个像素，其间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 表明这两种像素各自的比重。
w1 = n1 / n
w2 = n2 / n
再假定，一切灰度值小于阈值的像素的平均值和方差别离为 μ1 和 σ1，一切灰度值大于等于阈值的像素的平均值和方差别离为 μ2 和 σ2。所以，能够得到
类内差异 = w1（σ1的平方） + w2（σ2的平方）
类间差异 = w1w2（μ1-μ2）^2
能够证明，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，从核算难度看，后者的核算要简单一些。
下一步用”穷举法”，将阈值从灰度的最低值到最高值，顺次取一遍，别离代入上面的算式。使得”类内差异最小”或”类间差异最大”的那个值，便是终究的阈值。详细的实例和Java算法，请看这儿。
?
有了50&TImes;50像素的是非缩略图，就等于有了一个50×50的0-1矩阵。矩阵的每个值对应原图的一个像素，0表明黑色，1表明白色。这个矩阵便是一张图片的特征矩阵。
两个特征矩阵的不同之处越少，就代表两张图片越类似。这能够用”异或运算”完成（即两个值之中只需一个为1，则运算成果为1，不然运算成果为0）。对不同图片的特征矩阵进行”异或运算”，成果中的1越少，便是越类似的图片。
