一个基于图像特征比较的图片相似度匹配工具

纯数学实现，无任何深度学习与模型训练成分。

项目地址：https://github.com/MichaelSatoshi1983/pixelmatch

完全 deterministic，结果可复现。

我暂时为他起名为黄渤孙红雷辨别器。

当然，你也可以用来辨别苹果和鸭梨、香蕉和牛油果…

主要特性和实现

多种图像特征提取：

• HSV直方图（色彩分布）：通过将图像分为多个区域，统计每个区域中像素的色相（Hue）、饱和度（Saturation）和明度（Value）的分布。
• HOG（梯度方向直方图）：从图像中提取纹理特征，反映局部图像区域的形状和边缘信息。
• Gabor特征：通过Gabor滤波器对图像进行处理，提取图像中的纹理特征，尤其适用于边缘和纹理信息。
• pHash：通过离散余弦变换（DCT）计算图像的感知哈希值，用于图像的指纹识别和比较。
• SSIM（结构相似性指数）：衡量两张图像之间的结构相似度，考虑亮度、对比度和结构等因素。

图片相似度计算：

• Bhattacharyya距离：用于计算两张图片的颜色分布差异。
• 余弦相似度：用于计算HOG、Gabor特征之间的相似度。
• SSIM：计算目标图像与其他图片之间的结构相似度。
• pHash：计算图像的感知哈希值，度量两张图像的相似度。

我是如何实现的？

先预制菜加工一下

为了统一尺度和颜色空间，工具首先将图片重采样到固定尺寸（默认256x256），并生成灰度矩阵与RGB矩阵。灰度矩阵用于HOG和Gabor特征，RGB矩阵用于HSV直方图和pHash计算。

g := resizeGrayFloat(img, cfg.size, cfg.size)
R,G,B := resizeRGB(img, cfg.size, cfg.size)

特征提取

HSV直方图 + 空间金字塔

• 将图像转换到 HSV 空间
• 按 H/S/V 分量分别量化
• 多尺度金字塔提取局部颜色分布

HOG（方向梯度直方图）

• 计算 Sobel 梯度
• 分块统计方向梯度分布
• 多层空间金字塔增强局部结构信息

Gabor滤波器响应

• 构建多尺度、多方向的Gabor核
• 卷积计算滤波响应
• 利用平方和+局部均值平滑形成纹理特征

pHash（感知哈希）

• DCT变换提取低频系数
• 二值化生成64位哈希
• 用Hamming距离衡量整体结构差异

MS-SSIM（多尺度结构相似性指数）

• 分块计算灰度SSIM
• 多尺度下加权求平均，衡量整体结构相似度

tf := buildFeatures(timg) // 构建目标图像特征

相似度度量与融合

每类特征计算相似度或距离：

• HSV → Bhattacharyya距离
• HOG/Gabor → Cosine距离
• pHash → Hamming距离
• MS-SSIM → 直接用1-SSIM

然后通过归一化 + 排名融合 + 加权求和得到最终综合评分：

s1 := (wColor*nColor[i] + wHog*nHog[i] + ... + wSSIM*nSSIM[i])/wSum
s2 := (rColor[i] + rHog[i] + ... + rSSIM[i])/5.0
results[i].score = 0.6*s1 + 0.4*(s2/float64(len(results)))

最终按分数升序排序，Top N就是最相似的图片。

咋用：

go run main.go -target 你要对比的图片 -dir 图片的目录