通过直方图的方法
每张图片都可以生成其灰度图像直方图（histogram）。如果两张图片的直方图很接近，就可以认为它们很相似。
因此，此处我们利用两幅图像的直方图来进行相似度的比较。原理较为简单，具体算法如下：
1、获得输入灰度图像的直方图分布；
2、将直方图划分为64个区，每个区为连续的4个灰度等级；
3、对每个区的4个值进行求和运算，得到1个数据，如此，会得到64个数据，即为该幅图像的一个向量（指纹）；
4、根据步骤【1、2、3】，我们将输入的两幅图像转化为了2个向量，记为A、B；
5、计算两个向量的相似度，可以用皮尔逊相关系数或者余弦相似度计算，这里我们采用【余弦相似度】；
下面就顺便介绍一下余弦相似度的概念及用法：
因此，我们可以通过夹角的大小，来判断向量的相似程度。夹角越小，就代表越相似。
以二维空间为例，上图的a和b是两个向量，我们要计算它们的夹角θ。余弦定理告诉我们，可以用下面的公式求得：
假定a向量是[x1, y1]，b向量是[x2, y2]，那么可以将余弦定理改写成下面的形式：
数学家已经证明，余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量，A是 [A1, A2, ..., An] ，B是 [B1, B2, ..., Bn] ，则A与B的夹角θ的余弦等于：
使用这个公式，我们就可以得到，句子A与句子B的夹角的余弦。
余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫"余弦相似性"。
6、得到两个向量的夹角之后，我们就可以通过角度的大小来判别它们的相似程度。
7、至此，我们就完成了两幅图像的相似度计算，因此，可以通过此算法来寻找相似的图像。
下面为实验MATLAB代码：
%相似图像搜索：利用直方图分布相似度
%1：获得输入两幅图片的直方图分布
%2：将直方图依次划分为64个区，即每个区有4个灰度等级
%3：分别将各自的64个区生成64个元素，即一个向量（图像指纹）
%4：计算两个向量的余弦相似度
%5：判断，若相似度
function v=tineyesearch_hist(picture1,picture2)
t1=picture1;
[a1,b1]=size(t1);
t2=picture2;
t2=imresize(t2,[a1 b1],'bicubic');%缩放为一致大小
t1=round(t1);
t2=round(t2);
e1=zeros(1,256);
e2=zeros(1,256);
%获取直方图分布
for i=1:a1
end
figure;
imhist(uint8(t1));
figure;
imhist(uint8(t2));
%将直方图分为64个区
m1=zeros(1,64);
m2=zeros(1,64);
for i=0:63
end
%计算余弦相似度
A=sqrt(sum(sum(m1.^2)));
B=sqrt(sum(sum(m2.^2)));
C=sum(sum(m1.*m2));
cos1=C/(A*B);%计算余弦值
cos2=acos(cos1);%弧度
v=cos2*180/pi;%换算成角度
figure;
imshow(uint8([t1,t2]));
title(['余弦值为：',num2str(cos1),'
%完
下面为实验所用图片和效果：
school1.jpg
school2.jpg
school1.jpg直方图分布
school2.jpg直方图分布
