Image 近重复图像检测

这是一种根据图像之间的相似性对给定图像集进行排序的快速方法

目前，我有一个系统，可以在两幅图像之间进行直方图分析，但这是一个非常昂贵的操作，而且似乎过于繁琐

最理想的情况是，我正在寻找一种算法，该算法会给每个图像一个分数（例如整数分数，如RGB平均值），我可以根据该分数进行排序。相同的分数或相邻的分数可能重复

0299393
0599483
0499994 <- possible dupe
0499999 <- possible dupe
1002039
4995994
6004994 

0299393
0599483
0499994关于图像搜索和相似性度量已经有很多研究。这不是一个容易的问题。通常，单个
int
不足以确定图像是否非常相似。你会有很高的假阳性率

然而，由于已经做了大量的研究，你可以看看其中的一些。例如，（PDF）提供了一种紧凑的图像指纹算法，该算法适用于快速查找重复图像，且无需存储大量数据。如果你想要一些健壮的东西，这似乎是正确的方法

如果您正在寻找更简单但更特别的方法，则有一些不错的想法。
我假设其他复制图像搜索软件对图像执行FFT，并将不同频率的值存储为向量：

Image1 = (u1, u2, u3, ..., un)
Image2 = (v1, v2, v3, ..., vn)

然后，通过计算两幅图像的权重向量之间的距离，可以比较两幅图像是否相等：

distance = Sqrt(
     (u1-v1)^2 +
     (u2-v2)^2 +
     (u2-v3)^2 +
     ...
     (un-vn)^2);

你必须决定什么是“相似的”。对比？色调

一张图片是否与同一张图片上下颠倒的“相似”

我打赌，你可以通过将图像分成4x4块，并获得每个网格单元的平均颜色，找到很多“密切联系”。每幅图片你会得到16分。要判断相似性，只需对图像之间的差异进行平方和即可

我不认为一个散列是有意义的，除非它反对一个单一的概念，如色调、亮度或对比度

以下是你的想法：

0299393
0599483
0499994 <- possible dupe
0499999 <- possible dupe
1002039
4995994
6004994

0299393
0599483
0499994有一个C库（“libphash”-）可以计算图像的“感知散列”，并允许您通过比较散列来检测类似的图像（因此您不必直接将每个图像与其他图像进行比较）但不幸的是，当我尝试它时，它似乎不是很准确。
一种解决方案是对执行气泡排序所需的每对图片进行比较。其次，您可以对每个图像执行一次排序，并对每个图像进行轴平均，以检索单个整数，并将其用作排序依据的索引。你可以考虑在一个调整大小（25%，10%）版本的原始版本上做任何比较，这取决于你选择忽略的差异有多小，以及你需要多少加速。让我知道这些解决方案是否有趣，我们可以讨论，或者我可以提供示例代码
 一张图片有很多特征，所以除非你把自己的范围缩小到一个，比如平均亮度，否则你就是在处理一个n维的问题空间

如果我让你给世界上的城市分配一个整数，这样我就可以知道哪些城市离我们很近，结果不会很好。例如，您可以选择时区作为单个整数，并在某些城市中获得良好的结果。然而，一个靠近北极的城市和另一个靠近南极的城市也可能位于同一时区，即使它们位于地球的两端。如果我让你使用两个整数，你可以得到很好的纬度和经度的结果。图像相似性的问题也是如此

尽管如此，还是有一些算法试图将相似的图像聚集在一起，这正是您所需要的。这就是使用Picasa进行人脸检测时发生的情况。即使在识别任何面之前，它也会将相似的面聚集在一起，这样就可以很容易地遍历一组相似的面，并为其中大多数面命名

还有一种称为主成分分析的技术，它可以将n维数据降到更小的维度。因此，具有n个特征的图片可以简化为一个特征。但是，这仍然不是比较图像的最佳方法。
在web服务时代，您可以尝试一下。
我为此实现了一个非常可靠的算法，称为。我的（古老的，未维护的）代码是

快速多分辨率图像查询所做的是根据YIQ颜色空间将图像分割为3块（比RGB更适合匹配差异）。然后使用小波算法对图像进行基本压缩，直到每个颜色空间中只有最突出的特征可用。这些点存储在数据结构中。查询图像经过相同的过程，查询图像中的突出特征与存储数据库中的特征相匹配。匹配越多，图像越有可能相似

该算法通常用于“按草图查询”功能。我的软件只允许通过URL输入查询图像，所以没有用户界面。然而，我发现它非常适合将缩略图与该图像的大版本进行匹配

比我的软件更令人印象深刻的是，它可以让你使用Flickr图像作为源来尝试FMIQ算法。很酷！通过草图或使用源图像进行尝试，您可以看到它的工作情况。
我建议您不要只使用RGB直方图

如果对图像进行2d Haar小波（比听起来容易得多，只是需要很多平均值和一些平方根来加权系数），并将小波中的k个最大加权系数保留为稀疏向量，对其进行归一化，然后保存以减小其大小，则可以获得更好的图像摘要。你至少应该事先使用感知权重重新缩放RG和B，或者我建议切换到YIQ（或YCoCg），以避免量化