针对这个问题，请教了算法组的同事，他分享了根基的思路：

对这种图像搜索的算法，一般是三个步调：

1. 将目标图片进行特征提取，描述图像的算法很多，用的比较多的是：SIFT描述子，指纹算法函数，bundling features算法，hash function（散列函数）等。也可以按照不合的图像，设计不合的算法，比如图像局部N阶矩的体例提取图像特征。

2. 将图像特征信息进行编码，并将海量图像编码做查找表。对目标图像，可以对辩白率较年夜的图像进行降采样，削减运算量后在进行图像特征提取和编码措置。

3. 相似度匹配运算：操纵目标图像的编码值，在图像搜索引擎中的图像数据库进行全局或是局部的相似度计较;按照所需要的鲁棒性，设定阈值，然后将相似度高的图片预保存下来;最后应该还有一步筛选最佳匹配图片，这个应该仍是用到特征检测算法。

其中每个步调都有很多算法研究，围绕数学，统计学，图像编码，信号措置等理论进行研究。

下面是阮一峰的一个最简单的实现：

你输入谷歌图片的网址，或直接上传图片，谷歌就会找出与其相似的图片。下面这张图片是美国女演员Alyson Hannigan。

上传后，谷歌返回如下成果：

这种手艺的原理是什么？计较机怎么知道两张图片相似呢？

按照Neal Krawetz博士的诠释，原理很是简单易懂。我们可以用一个快速算法，就达到根基的效果。

这里的关头手艺叫做"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，然后比较不合图片的指纹。成果越接近，就说明图片越相似。

下面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，只保存布局、明暗等根基信息，摒弃不合尺寸、比例带来的图片差别。

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。

第三步，计较平均值。

计较所有64个像素的灰度平均值。

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。年夜于或等于平均值，记为1;小于平均值，记为0。

第五步，计较哈希值。

将上一步的比较成果，组合在一起，就组成了一个64位的整数，这就是这张图片的指纹。组合的顺序其实不重要，只要包管所有图片都采取同样顺序就好了。

取得指纹以后，便可以对比不合的图片，看看64位中有多少位是不一样的。在理论上，这同等于计较"汉明距离"（Hamming distance）。如果不相同的数据位不逾越5，就说明两张图片很相似;如果年夜于10，就说明这是两张不合的图片。

具体的代码实现，可以拜见Wote用python语言写的imgHash.py。代码很短，只有53行。使用的时候，第一个参数是基准图片，第二个参数是用来比较的其他图片所在的目录，返回成果是两张图片之间不相同的数据位数量（汉明距离）。

这种算法的优点是简单快速，不受图片年夜小缩放的影响，缺点是图片的内容不克不及变动。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是按照缩略图，找出原图。

实际应用中，往往采取更强年夜的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形水平不逾越25%，它们就可以匹配原图。这些算法虽然更复杂，可是原理与上面的精练算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。