首先說明，這里的圖片搜索并不是通過關鍵詞搜索，而是通過圖片搜索圖片，或者通過圖片推薦圖片的場景。

目前還沒有一些數(shù)據(jù)說明到底通過圖片搜索或推薦圖片的場景有多普遍，但是作為一個經(jīng)常在淘寶上買買買的剁手黨自身體會，我在淘寶常用的功能之一就是拍了照片在淘寶上搜同款。另外最近也會逛逛pinterest，在pinterest中也會有相似圖片推薦。

如果marketers 或者business owners了解一些圖片優(yōu)化技巧，可能會讓自己的圖片或者產(chǎn)品有更多機會的曝光。

做搜索引擎優(yōu)化或者推薦優(yōu)化與其它在線營銷方式很不同一點是，需要了解搜索引擎或者推薦引擎的基本實現(xiàn)原理，當你開始對一些規(guī)推薦則有一些大致的了解的時候，就可以開始利用它們了。

無意中，正好看到阮一峰寫了兩篇關于相似圖片判定應用比較廣泛的幾種算法，總結如下:

感知哈希算法：

1. 把所有圖片都縮小成同一尺寸，如 8*8 64個像素

2.? 把圖片轉變?yōu)?4級灰度，并且計算出一個圖片的灰度平均值

3. 把圖片的每一個像素都與這個平均值比較，如果大于等于平均值記為1，否則記為0

4. 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(shù)，即為圖片的fingerprints，比較圖片的fingerprints，根據(jù)不相同的數(shù)據(jù)位的數(shù)量來判斷相似度。

顏色分布法：

我們知道，每一種顏色都可以通過rgba（即紅，綠，藍，透明度）來表示，那么一張圖片的所有像素的顏色以這種方式表現(xiàn)出來，就會生成一個rgba直方圖，如下圖：

圖片來自阮一峰博客

其中上方最后一張直方圖就是rgba疊加起來的效果。然后將該直方圖通過數(shù)學表達。當然，因為rgba取值范圍都是0-255，所以計算量會特別大，通常的做法是進行簡化，最終會將直方圖表示為一個多為向量，這個向量就作為該圖片的fingerprint，然后可以通過皮爾遜相關系數(shù)（Pearson correlation coefficient）或者余弦相似（cosine simliarity）進行相似計算。

內容特征法

將原圖先轉變?yōu)榛叶葓D片，再轉變成黑白圖片：

圖片來自阮一峰博客

內容特征法認為，黑白輪廓相近，則兩張圖片也相近。

“顯然，前景色與背景色反差越大，輪廓就越明顯。這意味著，如果我們找到一個值，可以使得前景色和背景色各自的"類內差異最小"（minimizing the intra-class variance），或者"類間差異最大"（maximizing the inter-class variance），那么這個值就是理想的閾值。”

將黑白圖片通過矩陣表示，矩陣的每個值對應原圖的一個像素，0表示黑色，1表示白色。兩張圖片的矩陣不同之處越少，則圖片越相似。

以上三種算法只是圖片相似度判斷中比較基本的三種方法，實際上，以圖搜圖，以及通過圖片推薦圖片的場景會更加復雜。不過我們可以從上述三種算法中提煉出的信息是，相似圖片的判定與以下因素比較相關：

1. 圖片中物體輪廓

2. 圖片的顏色

3. 圖片中物體 與背景色差

有了這些信息，我們就可以有針對性的做一些圖片優(yōu)化工作了：

1. 最好對產(chǎn)品的個角度進行拍照

2. 產(chǎn)品的背景應當盡量簡單，以免對圖片中的產(chǎn)品識別產(chǎn)生影響

3. 可以為產(chǎn)品設置多種背景色

4. 非產(chǎn)品圖片的場景中，如Pinterest中分享的一些文字banner，可以嘗試做多個，不同顏色，不同風格，不同樣式等