图像识别引擎-引擎收集知识地图～

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，然后比較不同图片的指纹。结果越接近。就说明图片越相似。

以下是一个最简单的实现：

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。仅仅保留结构、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。全部像素点总共仅仅有64种颜色。

第三步，计算平均值。

计算全部64个像素的灰度平均值。

第四步，比較像素的灰度。

将每一个像素的灰度，与平均值进行比較。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。

将上一步的比較结果，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。仅仅要保证全部图片都採用相同次序即可了。

得到指纹以后。就能够对照不同的图片。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）。假设不同样的数据位不超过5。就说明两张图片非常相似；假设大于10，就说明这是两张不同的图片。

详细的代码实现，能够參见Wote用python语言写的imgHash.py。

代码非常短。仅仅有53行。

使用的时候，第一个參数是基准图片。第二个參数是用来比較的其它图片所在的文件夹，返回结果是两张图片之间不同样的数据位数量（汉明距离）。

这样的算法的长处是简单高速，不受图片大小缩放的影响，缺点是图片的内容不能变更。

假设在图片上加几个文字，它就认不出来了。所以，它的最佳用途是依据缩略图。找出原图。

实际应用中。往往採用更强大的pHash算法和SIFT算法，它们可以识别图片的变形。

仅仅要变形程度不超过25%，它们就能匹配原图。

这些算法尽管更复杂，可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，然后再进行比較。