简单而快速的方法来比较图像的相似性
我需要一种简单而快速的方式来比较两张图片的相似度。 也就是说，如果它们包含完全相同的东西，但可能会有一些稍微不同的背景，并且可能会被几个像素移动/调整大小，我希望获得高价值。
（更具体一点，如果这很重要：一张图片是一个图标，另一张图片是截图的一个分区，我想知道这个分区究竟是不是图标。）
我手边有OpenCV ，但我仍然不习惯它。
到目前为止，我考虑过的一种可能性是：将两幅图片分成10x10个单元格，对于这100个单元格中的每一个，比较颜色直方图。 然后我可以设置一些补偿阈值，如果我得到的值高于该阈值，我认为它们是相似的。
我还没有尝试过，但它的效果如何，但我想这会足够好。 图像已经非常相似（在我的用例中），所以我可以使用相当高的阈值。
我想有很多其他可能的解决方案可以或多或少地工作（因为任务本身非常简单，因为我只是想检测相似性，如果它们非常相似）。 你会建议什么？
从图像中获取签名/指纹/散列有几个相关/相似的问题：
另外，我偶然发现了这些具有获取指纹功能的实现：
关于感知图像哈希的一些讨论：这里
有点偏离主题：有很多方法可以创建音频指纹。 MusicBrainz，一种为歌曲提供基于指纹的查找的网络服务，在他们的wiki中有很好的概述。 他们现在正在使用AcoustID。 这是为了找到确切的（或者大多数确切的）匹配。 为了找到类似的匹配（或者如果你只有一些片段或高噪音），看看Echoprint。 一个相关的SO问题在这里。 所以这似乎解决了音频。 所有这些解决方案都很好。
一般来说，关于模糊搜索的更通用的问题在这里。 例如存在局部敏感散列和最近邻居搜索。
屏幕截图或图标是否可以转换（缩放，旋转，偏斜...）？ 有很多方法可以帮助你：
其中大部分已经在OpenCV中实现 - 例如参见cvMatchTemplate方法（使用直方图匹配）：http://dasl.mem.drexel.edu/~noahKuntz/openCVTut6.html。 显着点/区域检测器也可用 - 请参阅OpenCV特征检测。
我最近面临同样的问题，为了解决这个问题（简单而快速的算法来比较两张图片），我贡献了一个img_hash模块来opencv_contrib，你可以从这个链接中找到细节。
img_hash模块提供了六个图像哈希算法，相当容易使用。
代码示例
起源lena
模糊莱娜
调整lena的大小
转移lena
#include <opencv2/core.hpp>
#include <opencv2/core/ocl.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/img_hash.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>
void compute(cv::Ptr<cv::img_hash::ImgHashBase> algo)
{
auto input = cv::imread("lena.png");
cv::Mat similar_img;
//detect similiar image after blur attack
cv::GaussianBlur(input, similar_img, {7,7}, 2, 2);
cv::imwrite("lena_blur.png", similar_img);
cv::Mat hash_input, hash_similar;
algo->compute(input, hash_input);
algo->compute(similar_img, hash_similar);
std::cout<<"gaussian blur attack : "<<
algo->compare(hash_input, hash_similar)<<std::endl;
//detect similar image after shift attack
similar_img.setTo(0);
input(cv::Rect(0,10, input.cols,input.rows-10)).
copyTo(similar_img(cv::Rect(0,0,input.cols,input.rows-10)));
cv::imwrite("lena_shift.png", similar_img);
algo->compute(similar_img, hash_similar);
std::cout<<"shift attack : "<<
algo->compare(hash_input, hash_similar)<<std::endl;
//detect similar image after resize
cv::resize(input, similar_img, {120, 40});
cv::imwrite("lena_resize.png", similar_img);
algo->compute(similar_img, hash_similar);
std::cout<<"resize attack : "<<
algo->compare(hash_input, hash_similar)<<std::endl;
}
int main()
{
using namespace cv::img_hash;
//disable opencl acceleration may(or may not) boost up speed of img_hash
cv::ocl::setUseOpenCL(false);
//if the value after compare <= 8, that means the images
//very similar to each other
compute(ColorMomentHash::create());
//there are other algorithms you can try out
//every algorithms have their pros and cons
compute(AverageHash::create());
compute(PHash::create());
compute(MarrHildrethHash::create());
compute(RadialVarianceHash::create());
//BlockMeanHash support mode 0 and mode 1, they associate to
//mode 1 and mode 2 of PHash library
compute(BlockMeanHash::create(0));
compute(BlockMeanHash::create(1));
}
在这种情况下，ColorMomentHash给我们最好的结果
每种算法的优缺点
img_hash的表现也不错
与PHash库进行速度比较（来自ukbench的100张图片） 
如果你想知道这些算法的推荐阈值，请查看这篇文章（http://qtandopencv.blogspot.my/2016/06/introduction-to-image-hash-module-of.html）。 如果您对如何衡量img_hash模块的性能（包括速度和不同的攻击）感兴趣，请查看此链接（http://qtandopencv.blogspot.my/2016/06/speed-up-image-hashing-of -opencvimghash.html）。
屏幕截图是否只包含图标？ 如果是这样，那么这两个图像的L2距离就足够了。 如果L2距离不起作用，下一步就是尝试一些简单而完善的方法，如：Lucas-Kanade。 我确信在OpenCV中可以找到它。
链接地址: http://www.djcxy.com/p/64023.html上一篇: Simple and fast method to compare images for similarity