图像相似度分析——相似度算法-电子发烧友网

Hash算法

Hash算法有三种，分别为平均哈希算法(aHash)、感知哈希算法(pHash)和差异哈希算法(dHash)。三种Hash算法都是通过获取图片的hash值，再比较两张图片hash值的汉明距离来度量两张图片是否相似。两张图片越相似，其汉明距离越小。

主要操作步骤：

平均哈希算法(aHash)

优点：速度快

缺点：精确度较差，对均值敏感

感知哈希算法(pHash)

差异哈希算法(dHash)

SIFT算法

SIFT（Scale Invariant Feature Transform，尺度不变特征转换）用于描述影像中的局部特征。该算法可有效查找关键特征点，避免图形变换、光照和遮挡等因素影响。通过特征点数进一步判断图片间的相似度。

GIST算法

全局特征信息又称为“Gist”信息,为场景的低维签名向量。采用全局特征信息对场景进行识别与分类不需要对图像进行分割和局部特征提取,可以实现快速场景识别与分类。比如：对于“大街上有一些行人”这个场景，我们必须通过局部特征辨认图像是否有大街、行人等对象，再断定这是否是满足该场景。但这个计算量无疑是巨大的，且特征向量也可能大得无法在内存中存储计算。这迫使我们需要一种更加“宏观”的特征描述方式，从而忽略图片的局部特点。比如：我们无需知道图像中在那些位置有多少人，或者有其他什么对象。然而大多数城市看起来就像天空和地面由建筑物外墙紧密连接；大部分高速公路看起来就像一个大表面拉伸天际线，里面充满了凹型（车辆）；而森林场景将包括在一个封闭的环境中，有垂直结构作为背景（树），并连接到一定纹理的水平表面（草）。如此看来，空间包络可以一定程度表征这些信息。定义下列五种对空间包络的描述方法：

自然度（Degree of Naturalness）：场景如果包含高度的水平和垂直线，这表明该场景有明显的人工痕迹，通常自然景象具有纹理区域和起伏的轮廓。所以，边缘具有高度垂直于水平倾向的自然度低，反之自然度高。

开放度（Degree of Openness）：空间包络是否是封闭（或围绕）的。封闭的，例如：森林、山、城市中心。或者是广阔的，开放的，例如：海岸、高速公路。 粗糙度（Degree of Roughness）：主要指主要构成成分的颗粒大小。这取决于每个空间中元素的尺寸，他们构建更加复杂的元素的可能性，以及构建的元素之间的结构关系等等。粗糙度与场景的分形维度有关，所以可以叫复杂度。 膨胀度（Degree of Expansion）：平行线收敛，给出了空间梯度的深度特点。例如平面视图中的建筑物，具有低膨胀度。相反，非常长的街道则具有高膨胀度。 险峻度（Degree of Ruggedness）：即相对于水平线的偏移。（例如，平坦的水平地面上的山地景观与陡峭的地面）。险峻的环境下在图片中生产倾斜的轮廓，并隐藏了地平线线。大多数的人造环境建立了平坦地面。因此，险峻的环境大多是自然的。

从而基于上述五点对图像进行特征描述。

直方图

将图像灰度化后可以得到不同灰度级的像素点个数，从而构成灰度级-像素点数的直方图。该直方图信息不能有效的显示各个像素点的空间分布，但是对于一些不需要空间分布信息的是一种简单有效的比对方法。基于直方图信息，可以比较均值、相关性、卡方值、交叉、巴氏距离等等方式比对两两图像之间相似度。

常见参数： MSE(mean squared error)：图像像素值的平方误差。 RMSE(root mean squared error)：图像像素值的平方根误差。上述两种对缩放、旋转、裁剪敏感。

PSNR(Peak Signal Noise Ratio)也叫峰值信噪比：为了衡量处理后图像的品质，我们经常会使用到PSNR来衡量程序的处理结果是否令人满意。然而PSNR的分数无法和人眼看到的品质完全一致。PSNR是原图像与被处理图像之间的均方误差相对于( 2 n − 1 ) 2 (2^n-1)^2(2n−1) 2 的对数值(信号最大值的平方，n是每个采样值的比特数)，计算公式如下：