利用直方图距离计算图片相似度
计算公式：
其中，G和S为两张图片的图像颜色分布直方图，N为颜色空间样点数。
这里使用分块的方法计算相似度，用以提高各部分的特征，防止图片颜色相似导致计算的相似度高。
利用平均哈希算法计算图片相似度
计算步骤：
- 缩放图片：一般大小为8*8，64个像素值
- 简化色彩，转化为灰度图：可以使用Image的convert(‘L’)方法
- 计算平均值：计算出灰度图所有像素点的像素值的平均值
- 比较像素灰度值：遍历灰度图的每一个像素值与上一步计算的平均值，大于平均值记录为1，否则为0
- 得到64位图像指纹
- 记录两张图片的图像指纹的汉明距离，计算图片相似度
利用感知哈希算法计算图片相似度
计算步骤：
- 缩放图片：一般大小为32*32，这样方便DCT计算
- 简化色彩，转化为灰度图：可以使用Image的convert(‘L’)方法
- 计算DCT（离散余弦变换）:
获得图像的二维数据矩阵f(x,y)
求离散余弦变换的系数矩阵[A]
求系数矩阵对应的转置矩阵[A]T
根据公式[F(u,v)]=[A][f(x,y)][A]T 计算离散余弦变换
- 缩小DCT：DCT计算后的矩阵是32*32，保留左上角的8*8，这些代表的图片的最低频率
- 计算平均值：计算缩小DCT后的所有像素点的平均
- 进一步减小DCT：大于平均值记录为1，否则为0
- 得到64位信息指纹
- 记录两张图片的图像指纹的汉明距离，计算图片相似度
利用差异哈希算法计算图片相似度
计算步骤：
- 缩放图片：一般大小为9*8，以留下多一行的像素数据进行差异计算
- 简化色彩，转化为灰度图：可以使用Image的convert(‘L’)方法
- 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个差异哈希值
- 得到64位信息指纹：如果左边的像素比右边的更亮，则记录为1，否则为0
- 记录两张图片的图像指纹的汉明距离，计算图片相似度
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
