我的一个朋友提出了一个有趣的问题 - 假设我们在系统中有一组图像。现在，有人可能会通过略微修改已提交的任何图像来提交新图像，在这种情况下，系统应报告提交的图像是伪造的图像。
我可以考虑两种解决方案。
解决方案1 - 使用数据库中的给定图像对每个输入图像进行图像比较（基于位图），可能在将它们转换为灰度以对抗颜色变化技巧之后，以及在将它们调整为标准尺寸之后。
解决方案2 - 创建自组织地图并使用所有现有图像进行训练。如果有人提交了一张图片，如果它有一个紧密的匹配，请将其报告为伪造。
可能无法使系统的准确度超过90％。请分享您的想法/建议/解决方案。
通过几个答案后编辑：我已经有一个backprop神经网络和一个基于xml的语言来训练神经网络 - http://www.codeproject.com/KB/dotnet/neuralnetwork.aspx
我期待着针对上述问题的具体答案。
由于
答案 0 :(得分：2)
很好的问题，但取决于你想写多少代码。如果我镜像/翻转图像，剪切和粘贴图像，该怎么办？当你解决这个问题时，你也破解了大多数CAPTCHA？
如果您有很多马力和编程工时，您可能需要查看Forier Transformations和Historgams来查找匹配项。这将识别翻转/镜像复制/粘贴。
然后创建大量的测试片段，比如单元测试（？），例如“可以在源中找到这一部分图像”“可以在找到色调旋转时使用这一点”等等。
非常开放的问题
答案 1 :(得分：2)
猜猜你可以从Image Recognition with Neural Networks开始。
基本上我认为它涵盖了您的解决方案2方法。至少你会找到有用的神经网络指导以及如何训练它们。
答案 2 :(得分：2)
这里肯定会在性能和准确性之间进行权衡。您可以使用神经网络，但可能首先需要一些预转换：例如http://en.wikipedia.org/wiki/Image_registration。 有几种更有效的算法，如直方图比较。检查Wikipedia上的细分文章：en.wikipedia.org/wiki/Segmentation_%28image_processing%29
答案 3 :(得分：1)
我认为最简单的解决方案是简单地隐藏在系统中的digitally watermark图像，并添加新图像。
添加新图像时，只需检查数字水印的痕迹。
答案 4 :(得分：0)
没有冒犯，但这可能是“如果你只知道一把锤子，每个问题看起来像一个钉子”的情况。人工神经网络不是一切的好方法。如果您只是计算存储图像与“伪造候选者”之间的逐像素均方差，则可能更可靠地判断图像相似度。
我还建议将所有图片调整为例如50x50像素并在比较它们之前执行直方图均衡。这样你可以忽略图像大小调整和全局亮度对比度的变化。
答案 5 :(得分：0)
经过一番研究，我认为最好的方法是使用自组织映射（SOM）方法。
我们的想法是首先使用可用/有效图像自我训练SOM网络，然后在插入新图像时，找到最近的图像，如果在阈值下找到匹配，则报告相同。
AForge是一个很棒的图书馆，支持SOM（http://code.google.com/p/aforge/）
有关基本SOM的信息here
关于SOM here
的详细阅读