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！

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

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。