相似图像识别算法是什么,机器图像识别常用算法

计算图像相似度的算法有哪些

SIM = Structural SIMilarity（结构相似性），这是一种用来评测图像质量的一种方法。

由于人类视觉很容易从图像中抽取出结构信息,因此计算两幅图像结构信息的相似性就可以用来作为一种检测图像质量的好坏.首先结构信息不应该受到照明的影响,因此在计算结构信息时需要去掉亮度信息,即需要减掉图像的均值;其次结构信息不应该受到图像对比度的影响,因此计算结构信息时需要归一化图像的方差;最后我们就可以对图像求取结构信息了,通常我们可以简单地计算一下这两幅处理后的图像的相关系数.然而图像质量的好坏也受到亮度信息和对比度信息的制约,因此在计算图像质量好坏时,在考虑结构信息的同时也需要考虑这两者的影响.通常使用的计算方法如下,其中C1,C2,C3用来增加计算结果的稳定性: 2u(x)u(y) + C1L(X,Y) = ———————— ,u(x), u(y)为图像的均值 u(x)^2 + u(y)^2 + C1 2d(x)d(y) + C2C(X,Y) = ————————,d(x),d(y)为图像的方差 d(x)^2 + d(y)^2 + C2 d(x,y) + C3S(X,Y) = ———————-,d(x,y)为图像x,y的协方差 d(x)d(y) + C3而图像质量Q = [L(X,Y)^a] x [C(X,Y)^b] x [S(X,Y)^c]，其中a，b，c分别用来控制三个要素的重要性，为了计算方便可以均选择为1，C1，C2，C3为比较小的数值，通常C1=(K1 x L)^2, C2=(K2 xL)^2, C3 = C2/2, K1。

谷歌人工智能写作项目：神经网络伪原创

相似图片搜索的原理是怎样的/h2>

2011年，Google把“相似图片搜索”正式放上了首页写作猫。你可以用一张图片，搜索互联网上所有与它相似的图片。点击搜索框中照相机的图标。一个对话框会出现。

你输入网片的网址，或者直接上传图片，Google就会找出与其相似的图片。下面这张图片是美国女演员Alyson Hannigan。

上传后，Google返回如下结果类似的”相似图片搜索引擎”还有不少，TinEye甚至可以找出照片的拍摄背景。这种技术的原理是什么算机怎么知道两张图片相似呢/p>

根据Neal Krawetz博士的解释，原理非常简单易懂。我们可以用一个快速算法，就达到基本的效果。

这里的关键技术叫做”感知哈希算法”（Perceptual hash algorithm），它的作用是对每张图片生成一个”指纹”（fingerprint）字符串，然后比较不同图片的指纹。

结果越接近，就说明图片越相似。下面是一个最简单的实现：第一步，缩小尺寸。将图片缩小到8×8的尺寸，总共64个像素。

这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。第二步，简化色彩。将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。

第三步，计算平均值。计算所有64个像素的灰度平均值。第四步，比较像素的灰度。将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。第五步，计算哈希值。

将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。

得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算”汉明距离”（Hamming distance）。

如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。具体的代码实现，可以参见Wote用python语言写的。代码很短，只有53行。

使用的时候，第一个参数是基准图片，第二个参数是用来比较的其他图片所在的目录，返回结果是两张图片之间不相同的数据位数量（汉明距离）。

这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。

实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。

这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。转注：阮一峰第一篇写于 2011 年。下面是第二篇，写于 2013 年。

相似图片搜索的原理（2）我在 isnowfy 的网站看到，还有其他两种方法也很简单，这里做一些笔记。一、颜色分布法每张图片都可以生成颜色分布的直方图（color histogram）。

如果两张图片的直方图很接近，就可以认为它们很相似。任何一种颜色都是由红绿蓝三原色（RGB）构成的，所以上图共有4张直方图（三原色直方图 + 最后合成的直方图）。

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，因此需要采用简化方法。

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）。

任何一种颜色必然属于这64种组合中的一种，这样就可以统计每一种组合包含的像素数量。

上图是某张图片的颜色分布表，将表中最后一栏提取出来，组成一个64维向量(7414, 230, 0, 0, 8, …, 109, 0, 0, 3415, 53929)。

这个向量就是这张图片的特征值或者叫”指纹”。于是，寻找相似图片就变成了找出与其最相似的向量。这可以用皮尔逊相关系数或者余弦相似度算出。二、内容特征法除了颜色构成，还可以从比较图片内容的相似性入手。

首先，将原图转成一张较小的灰度图片，假定为50×50像素。然后，确定一个阈值，将灰度图片转成黑白图片。如果两张图片很相似，它们的黑白轮廓应该是相近的。

于是，问题就变成了，第一步如何确定一个合理的阈值，正确呈现照片中的轮廓然，前景色与背景色反差越大，轮廓就越明显。

这意味着，如果我们找到一个值，可以使得前景色和背景色各自的”类内差异最小”（minimizing the intra-class variance），或者”类间差异最大”（maximizing the inter-class variance），那么这个值就是理想的阈值。

1979年，日本学者大津展之证明了，”类内差异最小”与”类间差异最大”是同一件事，即对应同一个阈值。他提出一种简单的算法，可以求出这个阈值，这被称为”大津法”（Otsu’s method）。

下面就是他的计算方法。假定一张图片共有n个像素，其中灰度值小于阈值的像素为 n1 个，大于等于阈值的像素为 n2 个（ n1 + n2 = n ）。w1 和 w2 表示这两种像素各自的比重。

w1 = n1 / nw2 = n2 / n再假定，所有灰度值小于阈值的像素的平均值和方差分别为 μ1 和 σ1，所有灰度值大于等于阈值的像素的平均值和方差分别为 μ2 和 σ2。

于是，可以得到类内差异 = w1(σ1的平方) + w2(σ2的平方)类间差异 = w1w2(μ1-μ2)^2可以证明，这两个式子是等价的：得到”类内差异”的最小值，等同于得到”类间差异”的最大值。

不过，从计算难度看，后者的计算要容易一些。下一步用”穷举法”，将阈值从灰度的最低值到最高值，依次取一遍，分别代入上面的算式。使得”类内差异最小”或”类间差异最大”的那个值，就是最终的阈值。

具体的实例和Java算法，请看这里。有了50×50像素的黑白缩略图，就等于有了一个50×50的0-1矩阵。矩阵的每个值对应原图的一个像素，0表示黑色，1表示白色。这个矩阵就是一张图片的特征矩阵。

两个特征矩阵的不同之处越少，就代表两张图片越相似。这可以用”异或运算”实现（即两个值之中只有一个为1，则运算结果为1，否则运算结果为0）。

对不同图片的特征矩阵进行”异或运算”，结果中的1越少，就是越相似的图片。

图像识别算法都有哪些

图像识别算法：1 人脸识别类（Eigenface，Fisherface 算法特别多），人脸检测类（j-v算法，mtcnn)2 车牌识别类，车型识别类（cnn）3 字符识别（cnn)。。。。。。

无论什么识别算法：本质都是对图像（多维度矩阵）的分类或者拟合算法。那么如何设计一个函数，让不同的矩阵输入进去，得到相应的分类结果和拟合结果呢/p>

一般的方案是，a 先对图像做预处理（边缘检测，滤波操作，二值化等，图像缩放，归一化等）b 提取特征。

（对预处理后的图像进一步降低起数据维度，比如lbp特征，hog特征等）c 采用机器学习的方法进行分类或者拟合（svm,bp,逻辑回归等）

怎么识别图片

方法：1、打开迅捷OCR文字识别工具，点击工具上方的“快速识别”功能。2、点击工具左上角的“添加文件”，把需要识别的图片添加进去。3、在工具下方可以修改文件的输出目录。

4、点击工具右下角的“一键识别”，开始对图片进行识别。图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。

现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。

现在人脸识别最有效的算法是什么/h2>

最好的人脸识别系统在理想情况下比人类识别的表现要好的多。但是一旦环境情况变糟，系统的表现就差强人意了。而计算机科学家们当然是非常想要开发出一种算法，在各种情况下都能够表现优异。

现在，中国香港大学的汤晓鸥教授和他的学生路超超（音译）宣布他们攻克了这个难题。他们开发了一种叫“高斯”的人脸识别算法首次超过了人类自身。

新的识别系统对于各种平台都能够提供人类级别的识别能力，从手机到电脑游戏中的人脸识别，从安全系统到密码控制等等。任何一个人脸自动识别程序，首先要考虑的就是去构建一个合适的数据集来测试算法。

那需要一个非常大范围的，各种各样的，带着各种复杂动作、光线和表情的，不同脸的图像，各种人种、年龄和性别都要考虑在内。然后还要考察服装、发型以及化妆等其他因素的影响。

比较幸运的是，已经有这么一个拥有各种不同人脸的标准数据库——Labelled Faces。它拥有超过13,000张不同人脸的图片，它们是从网络上收集的6000个不同的公众人物。

更重要的是，每个人都拥有不止一张人脸图片。当然也存在其他的人脸数据库，但是Labelled faces目前是计算机科学家们所公认的最具参考价值的测试数据集。

面部识别的任务是去比较两张不同的图片，然后判断他们是否是同一个人。（你可以试试看，能否看出这里展示的每对图片是否是同一个人。）人类在这个数据库上的表现可以达到97.53%的准确度。

但是没有任何一个计算机算法能够达到这个成绩。直到这个新算法的出现。新的算法依照5点图片特征，把每张脸图规格化成一个150*120的像素图，这些特征分别是：两只眼睛、鼻子和嘴角的位置。

然后，算法把每张图片划分成重叠的25*25像素的区域，并用一个数学向量来描述每一个区域的基本特征。做完了这些，就可以比较两张图片的相似度了。但是首先需要知道的是到底要比较什么。

这个时候就需要用到训练数据集了。一般的方法是使用一个独立的数据集来训练算法，然后用同一个数据集中的图片来测试算法。但是当算法面对训练集中完全不同的两张图片的时候，经常都会识别失败。

“当图片的分布发生改变的时候，这种训练方法就一点都不好了。”超超和晓鸥说到。相反，他们用四个拥有不同图片的，完全不同的数据集来测试“高斯”算法。

举个例子，其中一个数据集是著名的Multi-PIE数据库，它包含了 337个不同的物体，从15种不同的角度，在19种不同的光照情况下，分别拍摄4组图片。

另一个数据库叫做Life Photes包含400个不同的人物，每个人物拥有10张图片。用这些数据库训练了算法后，他们最终让新算法在Labelled Faces数据库上进行测试。

目标是去识别出所有匹配和不匹配的图片对。请记住人类在这个数据库上的表现是97.53%的精确度。“我们的“高斯”算法能够达到98.52%的精确度，这也是识别算法第一次击败人类。”超超和晓鸥说到。

这是一个令人印象深刻的结果，因为数据中的照片包含各种各样不同的情况。超超和晓鸥指出，仍然有很多挑战在等着他们。现实情况中，人们可以利用各种附加的线索来识别，比如脖子和肩膀的位置。

“超过人类的表现也许只是一个象征性的成就罢了”他们说。另一个问题是花费在训练新算法上的时间，还有算法需要的内存大小以及识别两幅图所需要的时间。这可以用并行计算和特制处理器等技术来加快算法的运行时间。

总之，精确的人脸自动识别算法已经到来了，而且鉴于现在的事实，这只会更快。

怎么找相似图

有时候收藏了一些有趣的图片，想查找一下这些图片的来源和一些类似这样的图片，但是不知道如何去找，其实百度就有这个查找功能，一起来试一试吧。

材料/工具电脑方法1/4首先用360浏览器打开百度，可以看到搜索框有一个照相机的小图标。2/4然后点击一下相机的小图标，会出现提示拖拽一张照片或者上传一张照片。

3/4这里选择上传，选一张自己想找的相似的图片，然后双击图片。4/4好了，这个时候强大的360浏览器百度就为我们搜索出了图片的来源和出处，还有类似的很多图片哦，快去试一试吧。

一 在游览网页时看见一些图片我们想多了解图片的更多信息用百度搜图，打开百度首页。二 选择图片三 在输入框后面 点击识图图标。四 如果你要搜索的图片在本地就选择本地，点击从本地上传。

五 在本地找到想要查找的图片，点击要找的图片。六 在文件名后面点击打开，图片开始上传。七 稍等片刻，图片搜索成功。

有没有一款软件能比对两张照片是否一样/h2>

可以用AI软件来对比。AI人脸比对已经变成非常常用的AI场景之一。步骤如下：1、浏览器输入网址百度AI应用，AI人脸比对。2、进入人脸比对的功能演示模块。

3、点击左侧的‘本地上传’按钮，上传本地照片1。4、点击右侧的‘本地上传’按钮，上传本地照片2。5、稍等片刻，便会得出两个照片的相似度。如图所示。

AI的功能：是用于研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，人工智能研究是为了使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

主要功能：自然科学方面，能帮助使用数学计算机工具解决问题学科，有助于人类最终认识自身智能形成；经济方面，I能深入各行各业带来巨大宏观效益，促进计算机网络工业发展，能代替人类进行各种技术工作和脑力劳动，造成社会结构剧烈变化；社会方面，为人类文化生活提供新的模式。

AI是绘图最好的帮手，勾线，绘图，比如插画类型的，其工具的试用度更强，实时上色更为方便。对线条的调整、补充更有优势。

人脸识别的识别算法

一般来说，人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别（身份确认或者身份查找）。

系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。

人脸识别算法分类基于人脸特征点的识别算法（Feature-based recognition algorithms）。

基于整幅人脸图像的识别算法（Appearance-based recognition algorithms）。

基于模板的识别算法（Template-based recognition algorithms）。

利用神经网络进行识别的算法（Recognition algorithms using neural network）。

基于光照估计模型理论提出了基于Gamma灰度矫正的光照预处理方法,并且在光照估计模型的基础上，进行相应的光照补偿和光照平衡策略。

优化的形变统计校正理论基于统计形变的校正理论，优化人脸姿态；强化迭代理论强化迭代理论是对DLFA人脸检测算法的有效扩展；独创的实时特征识别理论该理论侧重于人脸实时数据的中间值处理，从而可以在识别速率和识别效能之间，达到最佳的匹配效果。

文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览33848 人正在系统学习中

来源：普通网友