图像相似度算法的个人见解（python&opencv）

简述

前段时间写了篇博文 哈希算法实现图像相似度比较(Python&OpenCV) ，使用简单的哈希算法进行图像相似度判断。但是在实践中该算法达不到预期的效果：

• 图像缩放8*8大小，图片信息内容严重丢失
• 64位Hash值对比，计算出结果在[0，64]之内，很难大程度区分图像特征

因为存在以上问题，所以想自己尝试改进一下算法，尽可能提高算法的准确性。

算法逻辑

缩放图片

将需要处理的图片所放到指定尺寸，缩放后图片大小由图片的信息量和复杂度决定。譬如，一些简单的图标之类图像包含的信息量少，复杂度低，可以缩放小一点。风景等复杂场景信息量大，复杂度高就不能缩放太小，容易丢失重要信息。根据自己需求，弹性的缩放。在效率和准确度之间维持平衡。

灰度处理

通常对比图像相似度和颜色关系不是很大，所以处理为灰度图，减少后期计算的复杂度。如果有特殊需求则保留图像色彩。

计算平均值

此处开始，与传统的哈希算法不同：分别依次计算图像每行像素点的平均值，记录每行像素点的平均值。每一个平均值对应着一行的特征。

计算方差

对得到的所有平均值进行计算方差，得到的方差就是图像的特征值。方差可以很好的反应每行像素特征的波动，既记录了图片的主要信息。

比较方差

经过上面的计算之后，每张图都会生成一个特征值（方差）。到此，比较图像相似度就是比较图像生成方差的接近成程度。
一组数据方差的大小可以判断稳定性，多组数据方差的接近程度可以反应数据波动的接近程度。我们不关注方差的大小，只关注两个方差的差值的大小。方差差值越小图像越相似！

代码实现

使用python&Opencv对上述算法进行实现

获取图像每行像素平均值