Google“相似圖片搜尋”：你可以用一張圖片，搜尋網際網路上所有與它相似的圖片。
開啟Google圖片搜尋頁面：
點選照相按鈕上傳一張angelbaby原圖：

點選搜尋後，Google將會找出與之相似的圖片，圖片相似度越高就越排在前面。如：

這種技術的原理是什麼？計算機怎麼知道兩張圖片相似？
根據Neal Krawetz博士的解釋，實現相似圖片搜尋的關鍵技術叫做“感知雜湊演算法”，它的作用是對每一張圖片生成一個“指紋”（fingerprint）字串，然後比較不同圖片的指紋。結果越接近，就說明圖片越相似。

以下是一個最簡單的java實現：
預處理：讀取圖片

File
 
 inputFile = newFile(filename);   
BufferedImage sourceImage = ImageIO.read(inputFile);//讀取圖片檔案  

第一步：縮小尺寸。
將圖片縮小到8*8的尺寸，總共64個畫素。這一步的作用是去除圖片的細節，只保留結構、明暗等基本資訊，摒棄不同尺寸、比例帶來的圖片差異。

int width= 8;  
intheight = 8;  
// targetW，targetH分別表示目標長和寬  
int type= sourceImage.getType();// 圖片型別  
BufferedImagethumbImage = null
 
;  
double sx= (double) width / sourceImage.getWidth();  
double sy= (double) height / sourceImage.getHeight(); 

// 將圖片寬度和高度都設定成一樣，以長度短的為準  
if (b) {  
      if(sx > sy) {  
            sx= sy;  
            width= (int) (sx * sourceImage.getWidth());  
      }else {  
            sy= sx;  
            height= (int
 
) (sy * sourceImage.getHeight());  
      }  
}  
// 自定義圖片  
if (type== BufferedImage.TYPE_CUSTOM) { // handmade  
     ColorModelcm = sourceImage.getColorModel();  
     WritableRasterraster = cm.createCompatibleWritableRaster(width,height);  
     booleanalphaPremultiplied = cm.isAlphaPremultiplied();  
     thumbImage= new BufferedImage(cm, raster, alphaPremultiplied, null);  
 } else {  
     // 已知圖片，如jpg，png，gif  
     thumbImage= new BufferedImage(width, height, type);  
}  
// 呼叫畫圖類畫縮小尺寸後的圖  
Graphics2Dg = target.createGraphics();  
//smoother than exlax:  
g.setRenderingHint(RenderingHints.KEY_RENDERING, RenderingHints.VALUE_RENDER_QUALITY);  
g.drawRenderedImage(sourceImage,AffineTransform.getScaleInstance(sx, sy));  
g.dispose();  

第二步：簡化色彩。
將縮小後的圖片，轉為64級灰度。也就是說，所有畫素點總共只有64種顏色。

int[]pixels = new int[width * height];  
for (inti = 0; i < width; i++) {  
      for(int j = 0; j < height; j++) {  
            pixels[i* height + j] = rgbToGray(thumbImage.getRGB(i, j));  
      }  
}  
/**  
 * 灰度值計算  
 * @param pixels 彩色RGB值(Red-Green-Blue 紅綠藍)  
 * @return int 灰度值  
 */  
public static int rgbToGray(int pixels) {  
       // int _alpha =(pixels >> 24) & 0xFF;  
       int _red = (pixels >> 16) & 0xFF;  
       int _green = (pixels >> 8) & 0xFF;  
       int _blue = (pixels) & 0xFF;  
       return (int) (0.3 * _red + 0.59 * _green + 0.11 * _blue);  
}  

第三步：計算平均值。
計算所有64個畫素的灰度平均值。

int avgPixel= 0;  
int m = 0;  
for (int i =0; i < pixels.length; ++i) {  
      m +=pixels[i];  
}  
m = m /pixels.length;  
avgPixel = m;  

第四步：比較畫素的灰度。
將每個畫素的灰度，與平均值進行比較。大於或等於平均值，記為1；小於平均值記為0.

int[] comps= new int[width * height];  
for (inti = 0; i < comps.length; i++) {  
    if(pixels[i] >= avgPixel) {  
        comps[i]= 1;  
    }else {  
        comps[i]= 0;  
    }  
}  

第五步：計算雜湊值。
將上一步的比較結果組合在一起，就構成了一個64位的整數，這就是這張圖片指紋。組合的次序並不重要，只要保證所有圖片都採用同樣的次序就行。

StringBufferhashCode = new StringBuffer();  
for (inti = 0; i < comps.length; i+= 4) {  
      intresult = comps[i] * (int) Math.pow(2, 3) + comps[i + 1] * (int) Math.pow(2, 2)+ comps[i + 2] * (int) Math.pow(2, 1) + comps[i + 2];  
      hashCode.append(binaryToHex(result));//二進位制轉為16進位制  
}  
StringsourceHashCode = hashCode.toString();  

得到指紋以後，就可以對比不同的圖片，看看64位中有多少位是不一樣的。在理論上，這等同於計算“漢明距離”（Hammingdistance）。如果不相同的資料位不超過5，就說明兩張圖片很相似；如果大於10，就說明這是兩張不同的圖片。

int difference = 0;  
int len =sourceHashCode.length();  

for (inti = 0; i < len; i++) {  
   if(sourceHashCode.charAt(i) != hashCode.charAt(i)) {  
       difference++;  
   }  
}  

你可以將幾張圖片放在一起，也可以計算出他們的漢明距離對比，就可以看看兩張圖是否相似。

這種演算法的優點是簡單快速，不受圖片大小縮放的影響，缺點是圖片的內容不能變更。如果在圖片上加幾個文字，它就認不出來了。所以，它的最佳用途是根據縮圖，找出原圖。

實際應用中，往往採用更強大的pHash演算法和SIFT演算法，它們能夠識別圖片的變形。只要變形程度不超過25%，它們就能匹配原圖。這些演算法雖然更復雜，但是原理與上面的簡便演算法是一樣的，就是先將圖片轉化成Hash字串，然後再進行比較。