相似性匹配

对于图像的相似性匹配常用的方法包括以下几种：

1. 获取（区域或全局）直方图（颜色直方图，灰度直方图，LBP，HOG等）直接利用各种相似性距离度量，或者计算其各阶矩，或者对其曲线进行二值化，然后进行比较。

其中各种相似性距离度量在另外一篇博客中做了介绍，各种矩常用的包括一阶矩（即均值），二阶矩（即方差），无穷阶矩（最大值）；曲线的二值化是

g(i) = hist(i)>hist(i+1)?1:0（i=0....254），这样可以利用一串bit近似的表示曲线的形状。

2. 相对于直方图是统计的相应信息的数量分布情况，还可以统计每一种颜色值（0-255）的分布情况，构建分布直方图，然后利用其作为相似性的度量

3. 上面提到的可以单独作为一种相似度来度量，也可以两两结合，如灰度直方图和LBP，能提高匹配的鲁棒性。但是对于尺度或颜色变化比较大的匹配还是有一定的限制。

另外的匹配的方法有利用互相关信息，例如将图像分为N*M块，计算每一块的与其它块的差异性，这样就可以构成一个N*（N*M）的对称矩阵，这种方式对于图像自身整体的变化具有良好的鲁棒性。

4. 利用编码的方法直接将图像hash成hash值，除了这种hash方式之外还有其它一些方式，例如将图像分为N*M块，然后计算每一块的中值，然后与全局的中值比较，如果大则为1，这样就可以把图像转化为N*M的二值。

5.利用各种小波变换或傅里叶变换，将图像转化为频域信息，来计算相似度。

6.还有利用一些人类视觉的特性来进行处理如retina，利用retina的特性提出了FREAK（论文：FREAK: Fast Retina Keypoint）特征，想要了解的可以看这篇论文，主要利用了视网膜的光感受器神经节细胞的分布感受的面积随着距离空穴（foveola）的距离增加而分布稀疏，但感受面积增大。

7. 对于局部区域的匹配常用的方法就是利用特征点检测和描述子匹配来进行，常用的特征点检测包括FAST，harris corner，brisk，sift，surf，对应的描述子包括brief，orb，hog，surf，sift等。

8,另外一种就是利用分类的方法，利用人工智能进行处理。