### Python 实现相似图片及内容搜索的方法 #### 使用哈希算法比较图像 一种常用的技术是计算两张图片的感知哈希值(perceptual hash)，并对比其差异程度。如果两幅图像是视觉上类似的，则它们之间的汉明距离应该很小。 ```python import imagehash from PIL import Image def calculate_image_hash(image_path): img = Image.open(image_path) return imagehash.average_hash(img) hash1 = calculate_image_hash('image1.jpg') hash2 = calculate_image_hash('image2.jpg') print(hash1 - hash2) # 输出两个哈希间的汉明距离 ``` 这种方法简单高效，在处理大规模数据集时表现良好[^1]。 #### 基于特征描述符的匹配 OpenCV库提供了一系列强大的计算机视觉工具，可以用来提取SIFT、SURF等局部不变特征，并利用FLANN或BFMatcher来进行高效的最近邻查询。 ```python import cv2 import numpy as np sift = cv2.SIFT_create() bf = cv2.BFMatcher() img1 = cv2.imread('queryImage.png',0) kp1, des1 = sift.detectAndCompute(img1,None) for file in os.listdir('./images'): try: img2 = cv2.imread(f'./images/{file}',0) kp2, des2 = sift.detectAndCompute(img2,None) matches = bf.knnMatch(des1,des2,k=2) good_matches = [] for m,n in matches: if m.distance < 0.7*n.distance: good_matches.append([m]) if len(good_matches)>MIN_MATCH_COUNT: print(file,"is similar to query image.") except Exception as e: continue ``` 此方案适合更精确的内容识别需求，但计算成本较高[^2]。 #### 利用预训练模型进行迁移学习 对于更加复杂的场景理解任务，可以直接采用深度卷积神经网络作为特征提取器。比如VGG16/ResNet50等经典架构已经被证明能够很好地捕捉到物体级别的语义信息。 ```python from keras.applications.vgg16 import VGG16, preprocess_input from keras.preprocessing import image from sklearn.metrics.pairwise import cosine_similarity import numpy as np model = VGG16(weights='imagenet', include_top=False) def get_feature_vector(img_path): img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) features = model.predict(x).flatten() return features vec_query = get_feature_vector('queryImage.png') similarity_scores = [] for filename in glob.glob('*.jpg'): vec_db = get_feature_vector(filename) score = cosine_similarity([vec_query], [vec_db])[0][0] similarity_scores.append((filename,score)) sorted_similarities = sorted(similarity_scores,key=lambda item:item[1],reverse=True)[:top_k] for fname,val in sorted_similarities: print(fname,'score:',val) ``` 这种方式不仅限于外观上的相似性判断，还可以扩展至风格、主题等方面[^3].