Flutter图片相似度检测算法实现

前言

在开发相册清理应用时，相似照片检测是一个核心功能。用户手机里往往有大量连拍照片、截图等相似内容，如何快速准确地识别这些相似图片是一个技术挑战。

本文将分享我在开发「回留」App时，实现图片相似度检测的技术方案和优化经验。

技术方案选型

图片相似度检测有多种实现方式：

像素对比：逐像素比较，精确但效率极低
直方图对比：比较颜色分布，速度快但准确度一般
感知哈希（pHash）：基于图像特征生成指纹，平衡了速度和准确度
深度学习：准确度最高，但计算资源消耗大

考虑到移动端的性能限制，我选择了感知哈希算法作为主要方案。

感知哈希算法原理

感知哈希（Perceptual Hash）的核心思想是将图片转换为一个固定长度的"指纹"字符串，相似的图片会产生相似的指纹。

基本步骤如下：

缩小图片尺寸（如32x32），去除高频细节
转换为灰度图
进行DCT（离散余弦变换）
取DCT左上角低频部分
计算平均值，生成二进制哈希

Dart实现代码

import 'dart:typed_data';
import 'package:image/image.dart' as img;

class ImageHasher {
  /// 计算图片的感知哈希值
  static String calculatePHash(Uint8List imageBytes) {
    // 1. 解码图片
    final image = img.decodeImage(imageBytes);
    if (image == null) return '';
    
    // 2. 缩放到32x32
    final resized = img.copyResize(image, width: 32, height: 32);
    
    // 3. 转换为灰度
    final grayscale = img.grayscale(resized);
    
    // 4. 获取像素值并计算DCT
    final pixels = _getGrayscalePixels(grayscale);
    final dct = _calculateDCT(pixels);
    
    // 5. 取8x8低频部分，计算平均值
    double sum = 0;
    for (int i = 0; i < 8; i++) {
      for (int j = 0; j < 8; j++) {
        if (i == 0 && j == 0) continue; // 跳过DC分量
        sum += dct[i][j];
      }
    }
    final avg = sum / 63;
    
    // 6. 生成哈希
    final hash = StringBuffer();
    for (int i = 0; i < 8; i++) {
      for (int j = 0; j < 8; j++) {
        hash.write(dct[i][j] > avg ? '1' : '0');
      }
    }
    
    return hash.toString();
  }
  
  /// 计算两个哈希的汉明距离
  static int hammingDistance(String hash1, String hash2) {
    if (hash1.length != hash2.length) return -1;
    int distance = 0;
    for (int i = 0; i < hash1.length; i++) {
      if (hash1[i] != hash2[i]) distance++;
    }
    return distance;
  }
  
  /// 判断两张图片是否相似
  static bool isSimilar(String hash1, String hash2, {int threshold = 10}) {
    final distance = hammingDistance(hash1, hash2);
    return distance >= 0 && distance <= threshold;
  }
}

性能优化策略

在实际应用中，用户可能有数千张照片需要检测，性能优化至关重要：

1. 使用Isolate并行计算

Dart的Isolate可以实现真正的多线程计算，避免阻塞UI：

Future<String> calculateHashInIsolate(Uint8List bytes) async {
  return await compute(ImageHasher.calculatePHash, bytes);
}

2. 缩略图预处理

直接读取原图进行计算非常耗时，可以先使用系统缩略图：

// 使用photo_manager获取缩略图
final thumb = await asset.thumbnailDataWithSize(
  ThumbnailSize(200, 200),
  quality: 80,
);

3. 分批处理

将大量图片分批处理，每批之间给UI线程喘息的机会：

Future<void> processInBatches(List<Asset> assets) async {
  const batchSize = 50;
  for (int i = 0; i < assets.length; i += batchSize) {
    final batch = assets.skip(i).take(batchSize);
    await Future.wait(batch.map((a) => processAsset(a)));
    await Future.delayed(Duration(milliseconds: 10)); // 让出CPU
  }
}

相似度阈值调优

汉明距离的阈值设置直接影响检测效果：

阈值 ≤ 5：非常相似，几乎相同的图片
阈值 ≤ 10：比较相似，适合检测连拍照片
阈值 ≤ 15：有一定相似度，可能误判较多

在「回留」中，我默认使用阈值10，并提供用户调节选项。

总结

感知哈希算法在移动端图片相似度检测中是一个很好的平衡方案。通过合理的优化策略，可以在保证用户体验的同时，实现高效准确的相似图片检测。

后续我还会分享更多关于图像处理和Flutter开发的实战经验。