我在PHP中开发了一种简单快速的算法来比较图像的相似性。
快速（800x600图像每秒约40个）散列和未经优化的搜索算法可以在22分钟内完成3,000张图像，将每张图像与其他图像进行比较（3 /秒）。
基本概述是获取图像，将其重新缩放至8x8，然后将这些像素转换为HSV。然后，Hue，Saturation和Value被截断为4位，它变成一个大的十六进制字符串。
比较图像基本上沿着两个字符串走，然后添加它找到的差异。如果总数低于64，那么它的图像相同。不同的图像通常在600 - 800左右。低于20且非常相似。
我可以使用这个型号有什么改进吗？ 我还没有看到不同组件（色调，饱和度和值）与比较的相关性。顺化可能非常重要，但其他人呢？
为了加快搜索速度，我可能将每个部分的4位分成两半，并将最重要的位先放入，这样如果它们检查失败，则根本不需要检查lsb。我不知道一种有效的方法来存储这样的位，但仍然可以轻松地搜索和比较它们。
我一直在使用3000张照片的数据集（大多数是独一无二的）并没有任何误报。它完全不受调整大小的影响，并且能够抵抗亮度和对比度变化。
答案 0 :(得分：10)
答案 1 :(得分：10)
您想要使用的是：
大多数人使用 SIFT 功能，虽然我有更好的体验，不是规模不变的。基本上，您使用边缘检测器来查找有趣的点，然后将图像块放在这些点周围。这样你也可以检测子图像。
您实现的是哈希方法。有很多可以尝试，但你的工作应该很好：）
快速制作它的关键步骤是哈希哈希。您将值转换为一元表示，然后将位的随机子集作为新哈希。使用20-50个随机样本执行此操作，您将获得20-50个哈希表。如果任何功能与这50个哈希表中的2个或更多匹配，则该功能将与您已存储的功能非常相似。这允许您转换abs（x-y）
希望有所帮助，如果您想尝试我自己开发的图像相似性搜索，请在spratpix
向我发送邮件。答案 2 :(得分：1)
你会发现有关这个主题的大量文献。只需转到Google Scholar或IEEE Xplore即可搜索文章。当我在大学进行形状识别项目（对噪音，旋转和调整大小不敏感）时，我与某些领域有过接触 - here is the article。