大纲：目标跟踪基础：两张图片相似度算法-腾讯云开发者社区-腾讯云 (tencent.com)
目标跟踪基础：两张图片相似度算法 (qq.com)
一、传统方法
1.欧式距离（用于判断是否完全相同）
[三维重建] [机器学习] 图片相似度_评价两张图片相似度或差异度的指标是-CSDN博客
import numpy as np
def euclidean_distance(image1, image2):
# 将图片展平为一维向量
vector1 = image1.flatten()
vector2 = image2.flatten()
# 计算欧式距离
distance = np.linalg.norm(vector1 - vector2)
return distance
# 示例用法
image1 = np.array([[1, 2, 3], [4, 5, 6]])
image2 = np.array([[4, 5, 6], [7, 8, 9]])
distance = euclidean_distance(image1, image2)
print(distance)
缺点：只考虑了像素差异，没有考虑位置和形状。
2.余弦相似度
from PIL import Image
from numpy import average, linalg, dot
def get_thumbnail(image, size=(1200, 750), greyscale=False):
image = image.resize(size, Image.ANTIALIAS)
if greyscale:
image = image.convert('L')
return image
def image_similarity_vectors_via_numpy(image1, image2):
image1 = get_thumbnail(image1)
image2 = get_thumbnail(image2)
images = [image1, image2]
vectors = []
norms = []
for image in images:
vector = []
for pixel_tuple in image.getdata():
vector.append(average(pixel_tuple))
vectors.append(vector)
norms.append(linalg.norm(vector, 2))
a, b = vectors
a_norm, b_norm = norms
res = dot(a / a_norm, b / b_norm)
return res
image1 = Image.open('1.jpg')
image2 = Image.open('2.jpg')
cosin = image_similarity_vectors_via_numpy(image1, image2)
print(cosin)3.哈希算法/汉明距离
详细步骤 + 代码 ：图像相似度中的Hash算法 - Yumeka - 博客园 (cnblogs.com)
（1）ahash（Average Hash，均值哈希算法）
此算法是基于比较灰度图每个像素与平均值来实现的
一般步骤：
1.缩放图片，一般大小为8*8，64个像素值。
2.转化为灰度图
3.计算平均值：计算进行灰度处理后图片的所有像素点的平均值，直接用numpy中的mean()计算即可。
4.比较像素灰度值：遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0.
5.得到信息指纹：组合64个bit位，顺序随意保持一致性。
6.最后比对两张图片的指纹，获得汉明距离即可。
#均值哈希算法
def aHash(img):
#缩放为8*8
img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
#转换为灰度图
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#s为像素和初值为0，hash_str为hash值初值为''
s=0
hash_str=''
#遍历累加求像素和
for i in range(8):
for j in range(8):
s=s+gray[i,j]
#求平均灰度
avg=s/64
#灰度大于平均值为1相反为0生成图片的hash值
for i in range(8):
for j in range(8):
if gray[i,j]>avg:
hash_str=hash_str+'1'
else:
hash_str=hash_str+'0'
return hash_str（2）phash（Perceptual Hash，感知哈希算法）
平均哈希算法过于严格，不够精确，更适合搜索缩略图，为了获得更精确的结果可以选择感知哈希算法，它采用的是DCT（离散余弦变换）来降低频率的方法
一般步骤：
1.缩小图片：32 * 32是一个较好的大小，这样方便DCT计算
2.转化为灰度图
3.计算DCT：利用Opencv中提供的dct()方法，注意输入的图像必须是32位浮点型，所以先利用numpy中的float32进行转换
4.缩小DCT：DCT计算后的矩阵是32 * 32，保留左上角的8 * 8，这些代表的图片的最低频率
5.计算平均值：计算缩小DCT后的所有像素点的平均值。
6.进一步减小DCT：大于平均值记录为1，反之记录为0.
7.得到信息指纹：组合64个信息位，顺序随意保持一致性。
8.最后比对两张图片的指纹，获得汉明距离即可。
import cv2
import numpy as np
from compiler.ast import flatten
import sys
def pHash(imgfile):
"""get image pHash value"""
#加载并调整图片为32x32灰度图片
img=cv2.imread(imgfile, 0)
img=cv2.resize(img,(64,64),interpolation=cv2.INTER_CUBIC)
#创建二维列表
h, w = img.shape[:2]
vis0 = np.zeros((h,w), np.float32)
vis0[:h,:w] = img #填充数据
#二维Dct变换
vis1 = cv2.dct(cv2.dct(vis0))
#cv.SaveImage('a.jpg',cv.fromarray(vis0)) #保存图片
vis1.resize(32,32)
#把二维list变成一维list
img_list=flatten(vis1.tolist())
#计算均值
avg = sum(img_list)*1./len(img_list)
avg_list = ['0' if i<avg else '1' for i in img_list]
#得到哈希值
return ''.join(['%x' % int(''.join(avg_list[x:x+4]),2) for x in range(0,32*32,4)])
'''
cv2.imread
flags>0时表示以彩色方式读入图片
flags=0时表示以灰度图方式读入图片
flags<0时表示以图片的本来的格式读入图片
interpolation - 插值方法。共有5种：
１）INTER_NEAREST - 最近邻插值法
２）INTER_LINEAR - 双线性插值法（默认）
３）INTER_AREA - 基于局部像素的重采样（resampling using pixel area relation）。对于图像抽取（image decimation）来说，这可能是一个更好的方法。但如果是放大图像时，它和最近邻法的效果类似。
４）INTER_CUBIC - 基于4x4像素邻域的3次插值法
５）INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos插值（3）dhash（Difference Hash，差异哈希算法）
def dHash(img):
#缩放8*8
img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC)
#转换灰度图
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
hash_str=''
#每行前一个像素大于后一个像素为1，相反为0，生成哈希
for i in range(8):
for j in range(8):
if gray[i,j]>gray[i,j+1]:
hash_str=hash_str+'1'
else:
hash_str=hash_str+'0'
return hash_str总结:
图像均值（ahash）哈希本质上是对像素（颜色）的比较
图像感知（phash）哈希由于做了离散余弦变换操作，本质上是对频率的比较
图像差异（dhash）哈希本质上是基于变化的感知，更关注图片的像素值的变化
4.直方图 + 巴氏系数
（1）直方图
直方图是描述一个图片中，颜色出现的次数（或频率）的一种统计图象，因为只关心某个像素值出现的次数，不关注像素值的位置，所以具有旋转、平移、缩放等不变性。且计算代价较小，只需要遍历整个图像就能得到。
直方图的横坐标为某个像素值，纵坐标为像素值在图片内出现的次数，如下图所示的图片矩阵中，像素值“1”出现了两次，所以该图片的直方图中，像素值“1”对应的纵坐标就该是2。
有时候为了避免图片分辨率造成的影响，（分辨率高的图像，像素个数肯定多，出现次数肯定多），会将出现次数除以图片的总像素个数，转化成出现概率。如上图中的图片矩阵的总像素个数是9，像素值“1”的出现次数是2，它的出现概率为 2 / 9。
直方图分为灰度直方图与RGB直方图
灰度直方图：对于灰度直方图，只需要维护一个长度为256的数组Gray[256]，遍历图片矩阵，假设矩阵内某个位置的像素值为124，则Gray[124]++。
RGB直方图：如果每种原色都可以取256个值，那么整个颜色空间共有1600万种颜色（256的三次方）。针对这1600万种颜色比较直方图，计算量实在太大了，因此可以通过划分bin的方式进行简化。可以将0～255分成四个区：0～63为第0区，64～127为第1区，128～191为第2区，192～255为第3区。这意味着红绿蓝分别有4个区，总共可以构成64种组合（4的3次方）。再根据图片矩阵中某个位置的RGB值，决定直方图内哪个bin值加一。
直方图最终也可以表示成一个向量的形式，向量维数为直方图横坐标的个数，向量中的值为直方图纵坐标的值。A=(2,3,2,1,0,1)
（2）巴氏系数
5.特征结构
6.互信息
7. 均方误差（MSE）
8.SSIM结构相似性
9.特征匹配
10.传统方法总结代码
opencv 简单的图片相似度匹配_opencv 图片相似度-CSDN博客
图像相似算法最全总结_图片相似度-CSDN博客
二、深度学习方法
1.孪生神经网络
pytorch孪生网络识别面部相似度代码解读_f.pairwise_distance-CSDN博客
孪生网络：图片相似度对比神器-CSDN博客
