图片相似度计算方式

- 利用直方图距离计算图片相似度
利用下图公式进行计算

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
步骤：

1. 缩放图片：一般大小为8*8，64个像素值
2. 简化色彩，转化为灰度图：可以使用Image的convert(‘L’)方法
3. 计算平均值：计算出灰度图所有像素点的像素值的平均值
4. 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
5. 得到64位图像指纹
6. 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
步骤：

1. 缩放图片：一般大小为32*32，这样方便DCT计算
2. 简化色彩，转化为灰度图：可以使用Image的convert(‘L’)方法
3. 计算DCT（离散余弦变换）:
   （1）获得图像的二维数据矩阵f(x,y)
   （2）求离散余弦变换的系数矩阵[A]
   （3）求系数矩阵对应的转置矩阵[A]T
   （4）根据公式[F(u,v)]=[A][f(x,y)][A]T 计算离散余弦变换
4. 缩小DCT：DCT计算后的矩阵是3232，保留左上角的88，这些代表的图片的最低频率
5. 计算平均值：计算缩小DCT后的所有像素点的平均
6. 进一步减小DCT：大于平均值记录为1，否则为0
7. 得到64位信息指纹
8. 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
步骤：

1. 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
2. 简化色彩，转化为灰度图：可以使用Image的convert(‘L’)方法
3. 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
4. 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
5. 记录两张图片的图像指纹的汉明距离，计算图片相似度

小记：加油，虽然走得慢但我不会停止前进

参考文章：https://blog.csdn.net/SkyeBeFreeman/article/details/77972174