有什么快速的方法可以根据它们彼此的相似性来对给定的一组图像进行排序。
目前我有一个系统，该系统在两个图像之间进行直方图分析，但这是一种非常昂贵的操作，并且看起来太过于繁琐。
理想情况下，我正在寻找一种算法，可以为每个图像赋予一个分数（例如整数分数，例如RGB平均值），然后我可以按该分数进行排序。 相同的分数或相邻的分数可能是重复的。
0299393
0599483
0499994 <- possible dupe
0499999 <- possible dupe
1002039
4995994
6004994
图像的RGB平均值不太好用，有类似的东西吗？
在图像搜索和相似度测量方面已经有了许多研究，但这并不是一个简单的问题。通常情况下，一个单独的int不足以确定图像是否非常相似，这会导致高错误率。
然而，由于已经开展了大量的研究，您可以看一些相关内容。例如，这篇论文（PDF）提供了一种紧凑的图像指纹算法，适用于快速查找重复图像且不需要存储大量数据。如果您想要具有鲁棒性的解决方案，这似乎是正确的方法。
如果您寻找更简单但明显更临时的解决方案，这个Stack Overflow问题提供了一些不错的想法。
我建议考虑不仅使用RGB直方图。
如果您对图像进行2D Haar小波变换（这比听起来容易得多，只需要大量平均和一些平方根用于加权系数），并仅保留小波中k个最大的加权系数作为稀疏向量，将其归一化并保存以减小其大小，那么您可以获得更好的图像摘要。您应该先使用感知权重重新缩放R、G和B，或者我建议切换到YIQ（或YCoCg，以避免量化噪声），以便可以使用降低重要性的色度信息进行采样。
现在，您可以使用两个这些稀疏归一化向量的点积作为相似性度量。点积最大的图像对在结构上非常相似。这具有稍微抵抗调整大小、色调移位和水印的好处，并且实现简单而紧凑。
您可以通过增加或减少k来权衡存储和准确性。
对于这种分类问题，按单个数字分数排序是不可行的。如果您考虑一下，它要求图像只能沿一个轴“改变”，但它们不会。这就是为什么您需要一个特征向量的原因。在Haar小波情况下，它大约是图像中最尖锐不连续性的位置。您可以计算成对图像之间的距离，但由于您只有一个距离度量，线性排序无法表达三个距离相等的图像的“三角形”（即想象一下一个全绿色的图像，一个全红色的图像和一个全蓝色的图像）。
这意味着，任何解决您问题的真正方案都需要 O(n^2) 的操作次数，其中 n 是您拥有的图像数量。如果可以将度量线性化，那么您只需要 O(n log n) 或者如果度量适合于基数排序，则需要 O(n)。话虽如此，您不需要花费 O(n^2)，因为在实践中，您不需要筛选整个集合，您只需要找到比某个阈值更接近的内容即可。因此，通过应用几种技术来分割您稀疏向量空间，您可以获得比朴素地将每个图像与每个图像进行比较更快的渐近速度，从而为您提供您可能需要的东西... 如果不是您精确要求的。无论如何，我几年前个人使用过这个方法，以有效地尝试最小化我存储的不同纹理数量，但在这个领域也有很多研究噪音，显示了它的功效（并在这种情况下将其与更复杂的直方图分类形式进行比较）：
http://www.cs.princeton.edu/cass/papers/spam_ceas07.pdf
如果您需要更准确的检测，可以使用minHash和tf-idf算法与Haar小波（或直方图）一起使用来更加稳健地处理编辑：http://cmp.felk.cvut.cz/~chum/papers/chum_bmvc08.pdf
最后，斯坦福大学拥有一种基于更多特征提取的小波变换的图像搜索方法，以查找旋转或缩放的图像部分等，但这可能远远超出您想要做的工作量。
http://wang14.ist.psu.edu/cgi-bin/zwang/regionsearch_show.cgi
一张图片有许多特征，因此除非你将自己局限于像平均亮度这样的一个特征，否则你就是在处理一个n维问题空间。
如果我要求你为世界各城市分配一个单独的整数，以便告诉我哪些城市比较接近，结果可能不会太好。例如，你可以选择时区作为你的单个整数，并与某些城市获得良好的结果。然而，靠近北极的城市和靠近南极的城市也可能在同一时区，尽管它们位于地球的两端。如果我让你使用两个整数，你可以通过纬度和经度获得非常好的结果。图像相似性的问题也是如此。
尽管如此，还是有一些算法试图将相似的图像聚集在一起，这实际上就是你所要求的。这就是当你在Picasa中进行人脸检测时发生的事情。甚至在识别任何面部之前，它就将相似的面孔聚类在一起，以便轻松地查看一组相似的面孔并给大多数面孔赋予相同的名称。
还有一种叫做主成分分析的技术，它可以将n维数据降低到任意较小的维数。因此，具有n个特征的图片可以被降至只有一个特征。然而，这仍然不是比较图像的最佳方法。
有一个C库（“libphash”-http://phash.org/），它可以计算图像的“感知哈希”，并允许您通过比较哈希来检测相似的图像（因此您不必直接将每个图像与其他每个图像进行比较），但不幸的是，当我尝试使用它时，它似乎不太准确。
你需要决定什么是“相似的”。对比？色调？
一张照片倒过来和同样的照片是否“相似”？
我敢打赌，通过将图像分成4x4的小块，并为每个网格单元获取平均颜色，您可以找到许多“接近”的情况。每个图像会有十六个得分。为了判断相似性，您只需对图像之间的差异进行平方和。
我认为单个哈希值没有意义，除非针对单个概念，如色调、亮度或对比度。
这是你的想法：
0299393
0599483
0499994 <- possible dupe
0499999 <- possible dupe
1002039
4995994
6004994
还有一件事。如果你要权衡R、G和B的权重，应该优先考虑绿色，其次是红色，最后是蓝色，以匹配人类视觉敏感度。
在Web服务时代，您可以尝试使用http://tineye.com
。我假设其他重复图像搜索软件对图像执行FFT，并将不同频率的值存储为向量：
Image1 = (u1, u2, u3, ..., un)
Image2 = (v1, v2, v3, ..., vn)
然后，您可以通过计算两个图像的权重向量之间的距离来比较它们的相等性：
distance = Sqrt(
(u1-v1)^2 +
(u2-v2)^2 +
(u2-v3)^2 +
...
(un-vn)^2);
现代大多数检测近似重复图像的方法都使用有趣点检测和描述符来描述这些点周围的区域。通常使用SIFT。然后，您可以对描述符进行量化，并使用聚类作为视觉词汇。
因此，如果我们看到两个图像的公共视觉单词与这些图像的所有视觉单词的比率，您可以估计图像之间的相似性。有很多有趣的文章。其中之一是近似重复图像检测：minHash和tf-idf加权