我最初在cstheory.stackexchange.com上提出了这个问题，但有人建议将其移至stats.stackexchange.com。
是否有现有算法可以返回两个位图图像之间的相似性度量？通过“相似”，我的意思是人类会说这两张图片是从同一张照片中修改而来的。例如，算法应该说以下 3 张图像是相同的（原始、位置偏移、缩小）。
我不需要检测扭曲或翻转的图像。我也不需要检测它是否是不同方向的同一个物体。
我想使用这个算法来防止我网站上的垃圾邮件。我注意到垃圾邮件发送者懒得更改他们的垃圾邮件图像。它不仅限于面孔。我已经知道那里已经有很多很棒的面部识别算法了。垃圾邮件图像可以是任何东西，从 URL 到足球场再到裸体。
在堆栈溢出时讨论了图像相似性算法。由于您不需要检测扭曲或翻转的图像，因此如果图像裁剪不太严重，直方图方法可能就足够了。
您可以使用现有的深度学习架构（如 VGG）从图像中生成特征，然后使用余弦相似度等相似度度量来查看两个图像是否本质上相同。
整个管道非常容易设置，您不需要了解神经网络架构（您可以将其视为黑匣子）。此外，这些特征非常通用，可用于查找任何类型的对象之间的相似性，而不仅仅是面部。
这里有几个博客可以引导您完成整个过程。 http://blog.ethanrosenthal.com/2016/12/05/recasketch-keras/ https://erikbern.com/2015/09/24/nearest-neighbor-methods-vector-models-part-1.html
亚马逊有一个名为Rekognition的新 API ，它允许您比较两张图像的面部相似性。该 API 返回每个人脸彼此之间的相似度百分比以及每个人脸的边界框。
Rekognition 还包括一个用于面部分析（返回性别、大致年龄和其他相关面部细节）和对象场景检测（返回图像内对象的标签）的 api。
计算图像相似度的重要技术之一是“平均结构相似度”。
import cv2
from skimage import compare_ssim
img = cv2.imread('img_1.png')
img_2 = cv2.imread('img_2.png')
print(compare_ssim(img, img_2))
如果你只想要图像相似度，那是一回事，但面部相似度是另一回事。两个非常不同的人可能出现在相同的背景中，图像相似性分析表明他们是相同的，而同一个人可以在两种不同的环境中被拍摄，相似性分析表明他们是不同的。
如果您需要进行面部分析，您应该搜索特定的算法。计算相对眼睛、鼻子和嘴巴的大小和位置通常在这种分析中完成。
使用https://github.com/Netflix/vmaf比较两组图像。
首先使用ffmpeg将图像转换为yuv422p，然后运行测试。注意分数差异。这可以用来判断图像是相似还是不同。对于这个样本，它们看起来都非常相似......
ffmpeg -i .\different-pose-1.jpg -s 1920x1080 -pix_fmt yuv422p different-pose-1.yuv
ffmpeg -i .\different-pose-2.jpg -s 1920x1080 -pix_fmt yuv422p different-pose-2.yuv
.\vmafossexec.exe yuv422p 1920 1080 different-pose-1.yuv different-pose-2.yuv vmaf_v0.6.1.pkl --ssim --ms-ssim --log-fmt json --log different.json
Start calculating VMAF score...
Exec FPS: 0.772885
VMAF score = 2.124272
SSIM score = 0.424488
MS-SSIM score = 0.415149
ffmpeg.exe -i .\same-pose-1.jpg -s 1920x1080 -pix_fmt yuv422p same-pose-1.yuv
ffmpeg.exe -i .\same-pose-2.jpg -s 1920x1080 -pix_fmt yuv422p same-pose-2.yuv
.\vmafossexec.exe yuv422p 1920 1080 same-pose-1.yuv same-pose-2.yuv vmaf_v0.6.1.pkl --ssim --ms-ssim --log-fmt json --log same.json
Start calculating VMAF score...
Exec FPS: 0.773098
VMAF score = 5.421821
SSIM score = 0.285583
MS-SSIM score = 0.400130
强大的哈希函数可以做到这一点。但在该领域仍有大量研究正在进行。我不确定是否已经有可用的原型。
希望有帮助。