我需要一个简单而快速的方法来比较两个图像的相似性。也就是说，如果它们包含完全相同的内容，但可能有一些略微不同的背景，并且可能被移动/调整了几个像素，我想要得到一个高值。
(更具体地说，如果这很重要的话:一张图片是一个图标，另一张图片是截图的一个子区域，我想知道这个子区域是否就是图标。)
我手头有OpenCV，但我仍然不太习惯它。
到目前为止，我想到的一种可能是:将两张图片分成10x10的单元格，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虚构的阈值，如果我得到的值高于该阈值，我就假设它们是相似的。
我还没有试过它的效果如何，但我想它应该足够好了。图像已经非常相似(在我的用例中)，所以我可以使用一个相当高的阈值。
我猜还有其他几十种可能的解决方案，它们或多或少会起作用(因为任务本身很简单，因为我只想检测相似性，如果它们真的非常相似)。你有什么建议吗?
关于从图像中获取签名/指纹/散列，有几个非常相关/相似的问题:
如何生成图像哈希/指纹/签名的描述符?
图像指纹可以比较多个图像的相似度
近重复图像检测
OpenCV:指纹图像和比对数据库。
更多，更多，更多，更多，更多，更多
此外，我偶然发现了这些实现，它们有这样的功能来获取指纹:
pHash
基于imgSeek (GitHub repo) (GPL)的快速多分辨率图像查询
图像匹配。跟我一直在找的东西很像。类似于pHash，基于任何类型图像的图像签名，Goldberg等人。使用Python和Elasticsearch。
iqdb
ImageHash。支持pHash。
Image重复数据删除器(imagededup)。支持CNN, PHash, DHash, WHash, AHash。
关于知觉图像哈希的一些讨论:这里
有点跑题:有很多方法可以创建音频指纹。MusicBrainz，一个提供基于指纹的歌曲查找的网络服务，在他们的维基中有一个很好的概述。他们现在正在使用AcoustID。这是为了找到精确的(或大部分精确的)匹配。为了找到相似的匹配(或者如果你只有一些片段或高噪音)，看看echopprint。这里有一个相关的SO问题。音频问题似乎解决了。所有这些解决方案都很有效。
这里有一个关于模糊搜索的更一般的问题。例如，有位置敏感哈希和最近邻居搜索。
我最近也面临同样的问题，为了一劳永逸地解决这个问题(简单快速的算法来比较两张图片)，我贡献了一个img_hash模块给opencv_contrib，你可以从这个链接找到详细信息。
Img_hash模块提供了6种图像哈希算法，使用起来相当简单。
代码示例
起源莉娜
模糊莉娜
调整莉娜
shift键莉娜
#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给了我们最好的结果
高斯模糊攻击:0.567521
移位攻击:0.229728
调整大小攻击:0.229358
每种算法的优缺点
img_hash的性能也很好
与PHash库的速度比较(100张图片来自ukbench)
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)。
如果你对如何测量img_hash模块的性能(包括速度和不同的攻击)感兴趣，请检查这个链接(http://qtandopencv.blogspot.my/2016/06/speed-up-image-hashing-of-opencvimghash.html)。
