C# 圖像相似度比較：灰度直方圖算法實作與實測評估

圖像相似度比較是電腦視覺基礎應用。本文實作最基礎的灰度直方圖交集法：將圖片縮放統一尺寸 → 計算灰度直方圖 → 以直方圖交集係數量化相似度。並以實際圖片測試評估其優缺點，釐清適用邊界。

算法原理

1. 歸一化尺寸：將兩圖縮放至固定大小 (如 256×256)，消除解析度差異。
2. 灰度直方圖：對每像素計算 Gray = (R + G + B) / 3，統計 0-255 灰度等級出現頻率，得 256 維向量 H。
3. 相似度度量：採用直方圖交集係數 Sim = Σ min(H1[i], H2[i]) / Σ max(H1[i], H2[i])，範圍 [0, 1]，越接近 1 越相似。

C# 完整實作

using System;
using System.Drawing;
using System.Drawing.Imaging;

public class HistogramSimilarity
{
    private const int TargetSize = 256;
    private const int Bins = 256;

    /// 

    /// 計算兩張圖片的灰度直方圖相似度
    /// 
    /// 0.0 ~ 1.0，越大越相似
    public static float ComputeSimilarity(string imagePath1, string imagePath2)
    {
        using var bmp1 = ResizeImage(imagePath1);
        using var bmp2 = ResizeImage(imagePath2);

        int[] hist1 = ComputeGrayHistogram(bmp1);
        int[] hist2 = ComputeGrayHistogram(bmp2);

        return HistogramIntersection(hist1, hist2);
    }

    private static Bitmap ResizeImage(string path)
    {
        using var src = Image.FromFile(path);
        var dest = new Bitmap(TargetSize, TargetSize, PixelFormat.Format24bppRgb);
        using (var g = Graphics.FromImage(dest))
        {
            g.InterpolationMode = System.Drawing.Drawing2D.InterpolationMode.HighQualityBicubic;
            g.DrawImage(src, 0, 0, TargetSize, TargetSize);
        }
        return dest;
    }

    private static int[] ComputeGrayHistogram(Bitmap bmp)
    {
        int[] hist = new int[Bins];
        var data = bmp.LockBits(new Rectangle(0, 0, bmp.Width, bmp.Height), ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb);
        unsafe
        {
            byte* ptr = (byte*)data.Scan0;
            int stride = data.Stride;
            for (int y = 0; y < bmp.Height; y++)
            {
                byte* row = ptr + y * stride;
                for (int x = 0; x < bmp.Width; x++)
                {
                    int b = row[x * 3];
                    int g = row[x * 3 + 1];
                    int r = row[x * 3 + 2];
                    int gray = (r + g + b) / 3;
                    hist[gray]++;
                }
            }
        }
        bmp.UnlockBits(data);
        return hist;
    }

    private static float HistogramIntersection(int[] h1, int[] h2)
    {
        long sumMin = 0, sumMax = 0;
        for (int i = 0; i < Bins; i++)
        {
            sumMin += Math.Min(h1[i], h2[i]);
            sumMax += Math.Max(h1[i], h2[i]);
        }
        return sumMax == 0 ? 0 : (float)sumMin / sumMax;
    }
}

實測評估結果

核心缺陷分析

• 空間資訊全失：直方圖只統計像素分布，**完全忽略像素位置**。相同色塊分布但結構不同的圖片 (如「我」/「你」) 會被判為高度相似。
• 對光照/對比度敏感：整體亮度偏移會導致直方圖平移，相似度大幅下降。
• 極端單色圖失效：純黑/純白圖直方圖極度集中，交集係數數學特性導致誤判 99%。
• 無法語義理解：無法區分「同一物件不同角度」vs「不同物件相似色調」。

改進方向與現代替代方案

結論

灰度直方圖交集法**僅適合**極簡單場景：相同結構下的色調比較、特定受控環境的去重預篩。**不適合**通用圖像搜尋、人臉識別、版權偵測等語義敏感任務。生產系統建議直接採用 pHash (感知雜湊) 或深度學習嵌入向量檢索 (如 FAISS + ResNet50)。