图片相似原理 - Java实现

前阵子在阮一峰的博客上看到了这篇《相似图片搜索原理》博客，就有一种冲动要将这些原理实现出来了。

Google "相似图片搜索"：你可以用一张图片，搜索互联网上所有与它相似的图片。

打开Google图片搜索页面：

点击使用上传一张原图：

点击搜索后，Google将会找出与之相似的图片，图片相似度越高就越排在前面。如：

这种技术的原理是什么？计算机怎么知道两张图片相似呢？

根据Neal Krawetz博士的解释，实现相似图片搜素的关键技术叫做"感知哈希算法"（Perceptualhash 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。

以下是一个最简单的Java实现：

预处理：读取图片

File inputFile = newFile(filename); BufferedImage sourceImage = ImageIO.read(inputFile);//读取图片文件

第一步，缩小尺寸。

将图片缩小到8x8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。

int width= 8; intheight = 8; // targetW，targetH分别表示目标长和宽 int type= sourceImage.getType();// 图片类型 BufferedImagethumbImage = null; double sx= (double) width / sourceImage.getWidth(); double sy= (double) height / sourceImage.getHeight(); // 将图片宽度和高度都设置成一样，以长度短的为准 if (b) { if(sx > sy) { sx= sy; width= (int) (sx * sourceImage.getWidth()); }else { sy= sx; height= (int) (sy * sourceImage.getHeight()); } } // 自定义图片 if (type== BufferedImage.TYPE_CUSTOM) { // handmade ColorModelcm = sourceImage.getColorModel(); WritableRasterraster = cm.createCompatibleWritableRaster(width, height); booleanalphaPremultiplied = cm.isAlphaPremultiplied(); thumbImage= new BufferedImage(cm, raster, alphaPremultiplied, null); } else { // 已知图片，如jpg，png，gif thumbImage= new BufferedImage(width, height, type); } // 调用画图类画缩小尺寸后的图 Graphics2Dg = target.createGraphics(); //smoother than exlax: g.setRenderingHint(RenderingHints.KEY_RENDERING, RenderingHints.VALUE_RENDER_QUALITY); g.drawRenderedImage(sourceImage,AffineTransform.getScaleInstance(sx, sy)); g.dispose();

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。

int[]pixels = new int[width * height]; for (inti = 0; i < width; i++) { for(int j = 0; j < height; j++) { pixels[i* height + j] = rgbToGray(thumbImage.getRGB(i, j)); } } /** * 灰度值计算 * @param pixels 彩色RGB值(Red-Green-Blue 红绿蓝) * @return int 灰度值 */ public static int rgbToGray(int pixels) { // int _alpha =(pixels >> 24) & 0xFF; int _red = (pixels >> 16) & 0xFF; int _green = (pixels >> 8) & 0xFF; int _blue = (pixels) & 0xFF; return (int) (0.3 * _red + 0.59 * _green + 0.11 * _blue); }

第三步，计算平均值。

计算所有64个像素的灰度平均值。

int avgPixel= 0; int m = 0; for (int i =0; i < pixels.length; ++i) { m +=pixels[i]; } m = m /pixels.length; avgPixel = m;

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。

int[] comps= new int[width * height]; for (inti = 0; i < comps.length; i++) { if(pixels[i] >= avgPixel) { comps[i]= 1; }else { comps[i]= 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。

== 8f373714acfcf4d0

StringBufferhashCode = new StringBuffer(); for (inti = 0; i < comps.length; i+= 4) { intresult = comps[i] * (int) Math.pow(2, 3) + comps[i + 1] * (int) Math.pow(2, 2)+ comps[i + 2] * (int) Math.pow(2, 1) + comps[i + 2]; hashCode.append(binaryToHex(result));//二进制转为16进制 } StringsourceHashCode = hashCode.toString();

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"（Hammingdistance）。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。

int difference = 0; int len =sourceHashCode.length(); for (inti = 0; i < len; i++) { if(sourceHashCode.charAt(i) != hashCode.charAt(i)) { difference++; } }

你可以将几张图片放在一起，也计算出他们的汉明距离对比，就可以看看两张图片是否相似。

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。

以上内容大部分直接从阮一峰的网站上复制过来，想看原著的童鞋可以去在最上面的链接点击进去看。

提供源码下载，源码下载链接：http://download.csdn.net/detail/luohong722/3965112