如何判断两张图片的相似度?原来图片对比也可以如此简单!

简介: 本文介绍了图片对比技术在多个场景中的应用,如图片去重、内容审核、版权维权及相似图片搜索,并详细解析了两种主流的图片对比方法。第一种是**MD5指纹对比**,适合精确匹配完全相同的图片,具有速度快、简单易用的特点,但对稍作修改的图片无能为力。第二种是**图像哈希对比**,包括平均哈希、感知哈希等算法,能够判断图片的相似程度,适用于处理缩放、旋转或亮度调整后的图片,但在语义相似性上仍有局限。最后提到,随着机器学习和深度神经网络的发展,图片相似度判断技术将有更多可能性,值得进一步探索。

在介绍技术细节前,我们先来看看图片对比在哪些场景下可以用得到:

  1. 图片去重:自动删除重复图片,为存储空间"瘦身"。想象你是一个社交媒体平台的运营,每天要处理数万张图片。重复图片不仅占用存储空间,还会影响用户体验。
  2. 内容审核:一些平台需要筛选相似或重复的内容,防止版权侵犯和内容垃圾。
  3. 版权维权:检测图片有无被未经授权使用的情况,比如,摄影师和设计师需要知道自己的作品是否被未经授权使用。
  4. 相似图片搜索:网盘、云存储服务需要帮助用户清理重复文件。

在这些场景中,图片对比技术可以帮我们自动化处理大量图片,提高工作效率。

但是,图片对比可不像字符那样可以直接使用等于号=直接对比,那么,我们有哪些对比方式呢?

方法一:MD5指纹对比 - 精确匹配

MD5 是一种信息摘要算法,可以将任意长度的数据映射为固定长度的字符串。对于图片文件,我们可以将其计算出一个独一无二的 MD5 值,就像一个数字指纹,可以用来精确比对两个文件(不仅仅是图片)是否完全相同。

下面是使用 Go 语言计算图片 MD5 值的示例代码:

package main

import (
    "crypto/md5"
    "fmt"
    "io"
    "os"
)

// calculateMD5 计算文件的MD5值
// 为图片颁发独一无二的“身份证”
func calculateMD5(filePath string) (string, error) {
   
    // 打开文件
    file, err := os.Open(filePath)
    if err != nil {
   
        return "", fmt.Errorf("无法打开文件:%v", err)
    }
    defer file.Close()

    // 创建MD5哈希器
    hash := md5.New()

    // 将文件内容复制到哈希器中
    if _, err := io.Copy(hash, file); err != nil {
   
        return "", fmt.Errorf("计算MD5时出错:%v", err)
    }

    // 返回MD5字符串
    return fmt.Sprintf("%x", hash.Sum(nil)), nil
}

func main() {
   
    // 比较两张图片
    md51, err := calculateMD5("image1.jpg")
    if err != nil {
   
        fmt.Println("图片1处理失败:", err)
        return
    }

    md52, err := calculateMD5("image2.jpg")
    if err != nil {
   
        fmt.Println("图片2处理失败:", err)
        return
    }

    // 对比结果
    if md51 == md52 {
   
        fmt.Println("图片完全相同")
    } else {
   
        fmt.Println("图片不同")
    }
}

代码解读:

  1. 我们定义了一个 calculateMD5 函数,传入文件路径,返回计算出的 MD5 字符串。
  2. 函数中先打开文件,创建一个 MD5 哈希器 hash。
  3. 通过io.Copy将文件内容写入哈希器中,计算出 MD5 值。
  4. 最后将 MD5 字节数组格式化为字符串返回。
  5. 在 main 函数中,我们计算两个图片文件的 MD5 值,比对它们是否相等,输出结果。

MD5 比对的特点:

  • ✅ 速度快、计算简单
  • ✅ 可精确判断两个文件是否完全相同(只要是文件,都可以通过这种方式进行判断是否一样)
  • ❌ 无法检测内容相似但不完全相同的图片
  • 🐞 图片稍有改动(如添加水印)就会导致 MD5 值完全不同

所以 MD5 比对适合用于检测完全相同的图片,如文件去重等场景。如果两张图片只是稍作修改(如调整亮度、旋转等),MD5 就无能为力了。

比如下面这两张图,我只是稍微裁剪了一下

原图

裁剪后的

虽然,裁剪之后,确实已经不是一摸一样的图片了,但是,我们还是觉得这两张图片其实就是长得非常像的两张图,其实我们还是得认为它们就是一张图。那么像这样的图片,我们如何区分呢?这时,我们可以借助图像哈希算法。

方法二:图像哈希对比

图像哈希(Image Hashing)是一类可以比较图片相似程度的算法。其基本原理是:将图片缩小、简化为一个哈希值,然后比较不同图片哈希值的差异度,来判断它们的相似程度。

常见的图像哈希算法有:

  1. 平均哈希(Average Hash)
  2. 感知哈希(Perceptual Hash)
  3. 差异哈希(Difference Hash)
  4. 小波哈希(Wavelet Hash)

这里我们以第三方包为例:

首先先安装这个包

go get github.com/corona10/goimagehash

然后我们来尝试实现一个图片相似度比对:

package main

import (
    "fmt"
    "image/png"
    "os"

    "github.com/corona10/goimagehash"
)

// compareImageSimilarity 比较图片相似度
func compareImageSimilarity(image1Path, image2Path string) error {
   
    file1, err := os.Open(image1Path)
    if err != nil {
   
        return fmt.Errorf("打开图片1失败:%v", err)
    }
    defer file1.Close()

    file2, err := os.Open(image2Path)
    if err != nil {
   
        return fmt.Errorf("打开图片2失败:%v", err)
    }
    defer file2.Close()

    // 加载图片
    img1, err := png.Decode(file1)
    if err != nil {
   
        return fmt.Errorf("加载图片1失败:%v", err)
    }

    img2, err := png.Decode(file2)
    if err != nil {
   
        return fmt.Errorf("加载图片2失败:%v", err)
    }

    // 生成平均哈希
    avgHash1, err := goimagehash.AverageHash(img1)
    if err != nil {
   
        return fmt.Errorf("生成图片1哈希失败:%v", err)
    }

    avgHash2, err := goimagehash.AverageHash(img2)
    if err != nil {
   
        return fmt.Errorf("生成图片2哈希失败:%v", err)
    }

    // 计算差异哈希
    diffHash1, err := goimagehash.DifferenceHash(img1)
    if err != nil {
   
        return fmt.Errorf("生成图片1差异哈希失败:%v", err)
    }

    diffHash2, err := goimagehash.DifferenceHash(img2)
    if err != nil {
   
        return fmt.Errorf("生成图片2差异哈希失败:%v", err)
    }

    // 计算汉明距离
    avgDistance, err := avgHash1.Distance(avgHash2)
    if err != nil {
   
        return fmt.Errorf("计算平均哈希距离失败:%v", err)
    }

    diffDistance, err := diffHash1.Distance(diffHash2)
    if err != nil {
   
        return fmt.Errorf("计算差异哈希距离失败:%v", err)
    }

    // 打印相似度
    fmt.Printf("平均哈希距离:%d\n", avgDistance)
    fmt.Printf("差异哈希距离:%d\n", diffDistance)

    // 判断相似程度
    if avgDistance == 0 && diffDistance == 0 {
   
        fmt.Println("两张图一样")
    } else if avgDistance <= 5 || diffDistance <= 5 {
   
        fmt.Println("图片高度相似")
    } else if avgDistance <= 10 || diffDistance <= 10 {
   
        fmt.Println("图片相似")
    } else {
   
        fmt.Println("图片差异较大")
    }

    return nil
}

func main() {
   
    err := compareImageSimilarity("img.png", "img_1.png")
    if err != nil {
   
        fmt.Println("图片对比出错:", err)
    }
}

图像哈希的特点:

  • ✅ 可以比较图片内容的相似程度
  • ✅ 对图片的缩放、旋转、亮度变化等稍微鲁棒
  • ✅ 计算难度适中,可应用于相似图片搜索等场景
  • ❌ 仍无法识别完全不同但语义相似的图片(比如同一物体不同角度的照片)

它们各有特点和适用场景:

MD5指纹:简单快速,适合精确匹配完全相同的图片。
图像哈希:可以比较图片的相似程度,在相似图片搜索等场景下很有用。

当然,这只是图像相似度算法的冰山一角。在实际应用中,我们还需要考虑性能、精度、复杂度等因素,选择最适合的方案。

图像识别领域在不断发展,一些前沿技术如机器学习、深度神经网络等,为图片相似度判断带来了更多的可能性,值得我们去学习和探索。

源码我放在这里了 https://github.com/pudongping/golang-tutorial/tree/main/project/compare_image_similarity 有需要的童鞋,可以自取。

相关文章
|
算法 搜索推荐 计算机视觉
图片相似度计算及检索调研
图片相似度计算和相似图片搜索,是图片识别领域两个常见的应用场景。例如搜索相似商品,和相似的图片,在百度、淘宝中都有应用。在某些业务中,也存在对图片相似度的计算和判断。因此,在这里简单介绍一下相关算法。
3205 0
|
存储 NoSQL 算法
从一个crash问题展开,探索gcc编译优化细节
问题分析的过程也正是技术成长之路,本文以一个gcc编译优化引发的crash为切入点,逐步展开对编译器优化细节的探索之路,在分析过程中打开了新世界的大门……
|
存储 人工智能 测试技术
图像相似度比较之 CLIP or DINOv2
图像相似度比较之 CLIP or DINOv2
|
编解码 计算机视觉 索引
OpenCV使用单目标匹配从图像中选择最佳的匹配结果及查找重复图像实战(附Python源码)
OpenCV使用单目标匹配从图像中选择最佳的匹配结果及查找重复图像实战(附Python源码)
1707 0
|
3月前
|
存储 关系型数据库 MySQL
大模型推理成本优化实战:vLLM 与 KV Cache 调优指南
大模型落地后,真正制约成本的常非模型本身,而是每生成1个Token的开销。长上下文与高并发下,KV Cache迅速吞噬显存,成为性能瓶颈。vLLM通过PagedAttention、Continuous Batching、Prefix Caching等系统性优化,显著提升GPU利用率与吞吐,降低单位Token成本。
574 0
大模型推理成本优化实战:vLLM 与 KV Cache 调优指南
|
12月前
|
SQL 人工智能 数据挖掘
Apache Doris AI 能力揭秘(三):AI_AGG 与 EMBED 函数深度解析
Apache Doris 推出 AI_AGG 与 EMBED 两大核心函数,实现文本智能聚合与语义向量化分析。AI_AGG 支持海量文本动态预聚合,EMBED 结合向量函数实现相似度检索、问答匹配等场景,原生集成 AI 能力至 SQL,让数据分析更智能高效。
601 7
Apache Doris AI 能力揭秘(三):AI_AGG 与 EMBED 函数深度解析
|
10月前
|
域名解析 缓存 网络协议
蓝易云:海外网站cdn加速服务怎么开启
总结来说,开启海外网站CDN加速服务是一个包括选择CDN服务提供商、购买服务、配置CDN、更改DNS以及测试与优化等阶段的过程。通过细心选择和配置CDN服务,可以大大提升海外用户访问网站的速度,从而提高用户满意度和网站整体性能。
866 7
|
监控 网络协议 Linux
Gobuster目录/文件扫描工具
Gobuster 是用 Go 语言编写的高效命令行扫描工具,支持目录/文件暴力扫描、子域名枚举和虚拟主机发现。其多线程机制使扫描速度快,资源占用低,适合远程或云服务器使用。它具备灵活性,支持自定义字典、代理、HTTP 认证等功能,适用于敏感目录查找、资产管理、渗透测试等场景。此外,Gobuster 可通过安装在 Kali 或 Linux 系统上,快速执行各类扫描任务,是安全测试和自动化脚本的理想选择。
1050 0