find相似图像的algorithm
我需要一个algorithm，可以确定两个图像是否“相似”，并识别类似的颜色，亮度，形状等模式。我可能需要一些指针，人类大脑用什么参数来“分类”的图像。 ..
我曾经看过基于hausdorff的匹配，但似乎主要是为了匹配转换的对象和形状的图案。
我已经做了类似的事情，通过使用小波变换将图像分解为签名。
我的做法是从每个转换的频道中选取最重要的n个系数，并logging它们的位置。 这是通过根据abs（功率）对（功率，位置）元组列表进行sorting完成的。 类似的图像会有相同之处，因为它们在相同的地方将具有显着的系数。
我发现最好将图像转换成YUV格式，这样可以有效地使您在形状（Y通道）和颜色（UV通道）上的重量相似。
你可以在mactorii中find我上面的实现 ，不幸的是我还没有像以前那样工作:-)
另一种方法，我的一些朋友使用惊人的好结果，就是简单地调整您的图像的大小，说一个4×4像素和商店，这是你的签名。 比如说，通过使用相应的像素来计算两幅图像之间的曼哈顿距离 ，可以得到多less相似的图像。 我没有关于如何执行大小调整的细节，因此您可能必须使用可用于该任务的各种algorithm来find适合的algorithm。
酸碱可能会让你感兴趣。
知觉散列 audio，video或图像文件的指纹，math上基于包含在其中的audio或视觉内容。 与密码散列函数不同，它依赖于input的小变化的雪崩效应，导致输出的剧烈变化，如果input在视觉上或听觉上相似，感知散列彼此“接近”。
我用SIFT在不同的图像中重新检测同一个对象。 这是真正的强大，但相当复杂，可能是矫枉过正。 如果图像应该非常相似，那么基于两幅图像之间的差异的一些简单参数可以告诉你很多。 有些指点：
- 对图像进行归一化处理，即通过计算两者的平均亮度并根据比例缩小最亮（避免在最高级别裁剪），使两幅图像的平均亮度相同），特别是如果您对形状更感兴趣，颜色。
- 每个通道在归一化图像上的色差总和。
- 找出图像中的边缘并测量两个图像中边缘像素之间的距离。 （形状）
- 将图像分成一组离散的区域，并比较每个区域的平均颜色。
- 在一个（或一组）水平上对图像进行阈值（threshold），并对产生的黑色/白色图像所不同的像素数进行计数。
这是一个难题！ 这取决于你需要的准确度，这取决于你正在使用什么样的图像。 您可以使用直方图来比较颜色，但显然不考虑图像中这些颜色的空间分布（即形状）。 边缘检测之后进行某种分割（即，挑出形状）可以提供用于匹配另一图像的模式。 您可以使用共生matrix来比较纹理，将图像视为像素值的matrix，然后比较这些matrix。 在图像匹配和机器视觉方面有一些很好的书籍 – 在亚马逊的search会发现一些。
希望这可以帮助！
你可以使用感知图像差异
这是一个命令行实用程序，它使用感知度量来比较两个图像。 也就是说，它使用人类视觉系统的计算模型来确定两个图像是否在视觉上不同，因此忽略像素中的微小变化。 此外，它大大减less了随机数生成，操作系统或机器架构差异造成的误报数量。
一些图像识别软件解决scheme实际上不是纯粹的基于algorithm的，而是利用neural network概念。 查看http://en.wikipedia.org/wiki/Artificial_neural_network ，即NeuronDotNet，其中还包含有趣的示例： http ://neurondotnet.freehostia.com/index.html
有相关的研究使用Kohonenneural network/自组织映射
更多的学术系统（谷歌的PicSOM）或更less的学术
（ http://www.generation5.org/content/2004/aiSomPic.asp ，（可能不适合所有的工作环境））演示文稿存在。
这听起来像是一个视觉问题。 你可能想看看自适应增强以及烧伤线提取algorithm。 这两个概念应该有助于解决这个问题。 如果您不熟悉视觉algorithm，边缘检测是一个更简单的开始，因为它解释了基本知识。
就分类参数而言：
- 调色板和位置（梯度计算，颜色直方图）
- 包含形状（Ada。Boosting / Training来检测形状）
根据您需要多less准确的结果，您可以简单地将nxn像素块中的图像分解并进行分析。 如果在第一个块中得到不同的结果，则无法停止处理，从而导致一些性能改进。
为了分析正方形，你可以例如获得颜色值的总和。
计算急剧缩小版本（例如：6×6像素）的像素颜色值差异的平方和可以很好地工作。 相同的图像产生0，相似的图像产生less量，不同的图像产生大的。
上面的其他人打入YUV的想法听起来很有趣 – 虽然我的想法很好，但我希望我的图像被计算为“不同的”，以便产生一个正确的结果 – 即使是从一个色盲观察者的angular度来看。
您可以在两幅图像之间执行某种块匹配运动估计，并测量残差和运动vector成本的总和（就像在video编码器中所做的那样）。 这会补偿议案; 对于奖励积分，进行仿射变换运动估计（补偿缩放和拉伸等）。 你也可以做重叠块或光stream。
作为第一遍，您可以尝试使用颜色直方图。 不过，你真的需要缩小你的问题领域。 通用图像匹配是一个非常困难的问题。
我发现这篇文章非常有用，解释了它的工作原理：
http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html
在另一个线程中有一些很好的答案，但是我想知道是否有涉及谱分析的工作？ 也就是说，将图像分解为相位和幅度信息并进行比较。 这可能会避免种植，转化和强度差异的一些问题。 无论如何，这只是我猜测，因为这似乎是一个有趣的问题。 如果你search了http://scholar.google.com，我相信你可以拿出几篇关于这个的文章。;
在讨论中迟到抱歉。
我们甚至可以使用ORB方法来检测两幅图像之间的相似特征点。 下面的链接给出了在Python中直接实现ORB
http://scikit-image.org/docs/dev/auto_examples/plot_orb.html
即使openCV已经直接实现了ORB。 如果你更多的信息请按照下面的研究文章。
