图像相似性匹配

对于图像的相似性匹配常用的方法包括以下几种：

1. 获取（区域或全局）直方图（颜色直方图，灰度直方图，LBP，HOG等）直接利用各种相似性距离度量，或者计算其各阶矩，或者对其曲线进行二值化，然后进行比较。

其中各种相似性距离度量在另外一篇博客中做了介绍，各种矩常用的包括一阶矩（即均值），二阶矩（即方差），无穷阶矩（最大值）；曲线的二值化是

g(i) = hist(i)>hist(i+1)?1:0（i=0....254），这样可以利用一串bit近似的表示曲线的形状。

2. 相对于直方图是统计的相应信息的数量分布情况，还可以统计每一种颜色值（0-255）的分布情况，构建分布直方图，然后利用其作为相似性的度量

3. 上面提到的可以单独作为一种相似度来度量，也可以两两结合，如灰度直方图和LBP，能提高匹配的鲁棒性。但是对于尺度或颜色变化比较大的匹配还是有一定的限制。

另外的匹配的方法有利用互相关信息，例如将图像分为N*M块，计算每一块的与其它块的差异性，这样就可以构成一个N*（N*M）的对称矩阵，这种方式对于图像自身整体的变化具有良好的鲁棒性。

4. 利用编码的方法直接将图像hash成hash值，除了这种hash方式之外还有其它一些方式，例如将图像分为N*M块，然后计算每一块的中值，然后与全局的中值比较，如果大则为1，这样就可以把图像转化为N*M的二值。

5.利用各种小波变换或傅里叶变换，将图像