背景
检查两个图片的相似度，一个简单而快速的算法：感知哈希算法(Perceptual Hash)，通过某种提取特征的方式为每个图片计算一个指纹（哈希），这样对比两个图片相似与否就变成了对比两个指纹异同的问题。
实现
Step1.缩小尺寸
将图片缩小到8*8的大小，这样做可以去除图片的细节，只保留结构和明暗等基本信息，同时摒弃不同尺寸和比例带来的图片差异。
Step2.灰度处理
把缩小后的图片转化为64级灰度图（每个像素只有64种颜色）。
Step3.计算平均值
计算所有64个像素的灰度平均值。
Step4.计算哈希
这里哈希的计算方法是：上面说的64个像素的灰度与平均值进行比较，大于或等于平均值记为1，小于记为0。
将每个像素的比较结果组合在一起成为一个64位的二进制整数，这个整数就是此图片的指纹。
Step5.对比哈希
不同图片对比的方法，就是对比它们的64位哈希中，有多少位不一样（汉明距离）。一般来说如果不同的位数不超过5，就说明两张图片很相似，如果大于10，就很可能是两张不同的图片。
代码（Python）
计算pHash（只需要三行）:
def phash(img):
img = img.resize((8, 8), Image.ANTIALIAS).convert('L')
avg = reduce(lambda x, y: x + y, img.getdata()) / 64.
return reduce(
lambda x, (y, z): x | (z << y),
enumerate(map(lambda i: 0 if i < avg else 1, img.getdata())),
0
)
计算汉明距离:
def hamming_distance(a, b):
return bin(a^b).count('1')
计算两个图片是否相似:
def is_imgs_similar(img1,img2):
return True if hamming_distance(phash(img1),phash(img2)) <= 5 else False
其中计算部分用到了lambda表达式和reduce，可参考此文：廖雪峰：map和reduce
