これらは単に私が問題について考えていたアイデアですが、試したことはありませんが、私はこのような問題について考えることが好きです！
あなたが始める前に
画像を正規化することを検討してください。一方が他方よりも高い解像度である場合、一方が他方の圧縮バージョンであるオプションを検討してください。したがって、解像度を縮小するとより正確な結果が得られる可能性があります。
画像のズームされた部分と、さまざまな位置と回転を表す可能性がある画像のさまざまな予想領域をスキャンすることを検討してください。画像の1つが別の画像の歪んだバージョンである場合、トリッキーになります。これらは、特定して妥協する必要のある種類の制限です。
Matlabは画像をテストおよび評価するための優れたツールです。
アルゴリズムのテスト
少なくとも事前に一致がわかっている人間が分析した大規模なテストデータのセットをテストする必要があります。たとえば、テストデータに、画像の5％が一致する1,000個の画像がある場合、妥当な信頼性のあるベンチマークが得られます。10％の陽性を見つけるアルゴリズムは、テストデータで4％の陽性を見つけるアルゴリズムほど優れていません。ただし、1つのアルゴリズムですべての一致が見つかる可能性がありますが、誤検出率も20％と大きいため、アルゴリズムを評価する方法はいくつかあります。
テストデータは、現実の世界で見られると予想されるできるだけ多くの種類のダイナミクスをカバーするように設計する必要があります。
有用である各アルゴリズムはランダムな推測よりも優れたパフォーマンスを発揮する必要があることに注意することが重要です。そうでない場合、それは役に立ちません！
次に、制御された方法でソフトウェアを現実の世界に適用し、生成した結果の分析を開始できます。これは無限に進むことができる種類のソフトウェアプロジェクトであり、行うことができる微調整と改善は常にあります。それは、終わることのないプロジェクトの罠に陥りやすいので、設計するときにそれを覚えておくことは重要です。
カラーバケット
2つの画像を使用して、各ピクセルをスキャンし、色を数えます。たとえば、「バケット」があるとします。
white
red
blue
green
black
（明らかに、カウンターの解像度が高くなります）。「赤い」ピクセルを見つけるたびに、赤いカウンターを増やします。各バケットは色のスペクトルを表すことができ、解像度が高いほど正確になりますが、許容できる差異率を試してみてください。
合計を取得したら、2番目の画像の合計と比較します。各画像には、一致を識別するのに十分な、かなりユニークなフットプリントがあることに気付くでしょう。
エッジ検出
エッジ検出の使用についてはどうですか。
（ソース：wikimedia.org）
2つの類似した画像を使用すると、エッジ検出により、使用可能でかなり信頼できる一意のフットプリントが得られます。
両方の写真を撮り、エッジ検出を適用します。おそらく、エッジの平均の厚さを測定し、画像が拡大縮小される可能性を計算し、必要に応じて再拡大縮小します。以下は、さまざまな回転で適用されたガボールフィルター（エッジ検出の一種）の例です。
ピクセルごとに写真のピクセルを比較し、一致と非一致をカウントします。それらが特定のエラーしきい値内にある場合は、一致しています。それ以外の場合は、特定のポイントまで解像度を下げて、一致の確率が向上するかどうかを確認できます。
関心のある地域
一部の画像には、特徴的なセグメント/関心領域がある場合があります。これらの領域はおそらく他の画像と非常に対照的であり、他の画像で一致を見つけるために検索するのに適したアイテムです。たとえば、次の画像を見てください。
（ソース：meetthegimp.org）
青色の建設作業員は関心領域であり、検索オブジェクトとして使用できます。この関心のある領域からプロパティ/データを抽出し、それらを使用してデータセットを検索する方法はおそらくいくつかあります。
2つ以上の関心領域がある場合は、それらの間の距離を測定できます。この簡単な例を見てみましょう：
（ソース：per2000.eu）
3つの明確な関心領域があります。領域1と2の間の距離は、200ピクセル、1から3 400ピクセル、2から3 200ピクセルにすることができます。
類似の関心領域を他の画像で検索し、距離値を正規化して、一致する可能性があるかどうかを確認します。この手法は、回転および拡大縮小された画像に適しています。関心領域が多いほど、距離測定値が一致するたびに一致する確率が高くなります。
データセットのコンテキストについて考えることが重要です。たとえば、データセットがモダンアートである場合、関心領域はおそらく最終的な画像の基本部分になるように設計されているため、関心領域は非常にうまく機能します。しかし、建設現場の画像を扱っている場合、関心のある領域は違法なコピー機によって醜いと解釈され、自由に切り取られたり編集されたりする可能性があります。データセットの共通の特徴に留意し、その知識を活用してみてください。
モーフィング
2つの画像のモーフィングとは、一連のステップを通じて1つの画像を別の画像に変換するプロセスです。
これは、ある画像を別の画像にフェードインするのとは異なります。
画像をモーフィングできるソフトウェアパッケージは多数あります。これは伝統的に遷移効果として使用され、2つの画像は通常途中で何かに変形することはなく、1つの極端なものが最終結果として他の極端に変形します。
なぜこれが役立つのでしょうか？使用するモーフィングアルゴリズムによっては、画像の類似性とモーフィングアルゴリズムの一部のパラメーターとの間に関係がある場合があります。
大幅に簡略化した例では、1つのアルゴリズムは、実行する変更が少ない場合に実行が速くなる可能性があります。次に、これら2つの画像が互いにプロパティを共有する可能性が高くなることを確認します。
この手法は、回転、ゆがみ、傾斜、ズームなど、あらゆるタイプのコピー画像に適しています。繰り返しますが、これは私が持っているアイデアにすぎません。私が知る限り、それは研究された学界に基づいていないので（私は一見難しくありません）、結果は限られているか、結果がありません。
圧縮
この質問に対するOwの回答はすばらしいです。AIを研究するこのような種類のテクニックについて読んだことを覚えています。コーパス語彙集の比較に非常に効果的です。
コーパスを比較するときの興味深い最適化の1つは、「The」、「A」、「And」など、一般的すぎると見なされる単語を削除できることです。これらの単語は結果を希釈します。2つのコーパスの違いを調べたいと思います。したがって、これらは処理前に削除できます。おそらく、圧縮前に取り除かれる可能性のある同様の一般的な信号が画像にありますか？調べる価値があるかもしれません。
圧縮率は、2つのデータセットがどの程度類似しているかを判断するための非常に迅速かつ合理的に効果的な方法です。圧縮がどのように機能するかについて調べることで、これが非常に効果的である理由がわかります。高速リリースのアルゴリズムの場合、これはおそらく良い出発点になります。
透明性
繰り返しますが、特定の画像タイプ、gif pngなどの透明度データがどのように保存されるかはわかりませんが、これは抽出可能であり、データセットの透明度と比較するための効果的な単純化されたカットアウトとして機能します。
信号の反転
画像は単なる信号です。スピーカーからノイズを再生し、別のスピーカーで反対のノイズをまったく同じ音量で完全に同期して再生すると、お互いに打ち消し合います。
（ソース：themotorreport.com.au）
画像を反転して、他の画像に追加します。十分な数のピクセルが白（または黒ですか？これをニュートラルキャンバスと呼びます）で十分な一致または部分一致が得られる結果の画像が見つかるまで、繰り返し/ループ位置をスケーリングします。
ただし、2つの画像が同じである場合を考えてみます。
（ソース：mcburrz.com）
それらの1つを反転してからもう1つに追加しても、目的のニュートラルキャンバスにはなりません。ただし、両方の元の画像のピクセルを比較すると、2つの間の明確な関係が確実にわかります。
私はここ数年色を研究していないので、カラースペクトルが線形スケールであるかどうかはわかりませんが、両方の画像間の色差の平均係数を決定した場合は、この値を使用してデータを正規化してから、このテクニック。
ツリーデータ構造
最初はこれらは問題に適合していないようですが、うまくいくと思います。
画像の特定のプロパティ（カラービンなど）を抽出して、ハフマンツリーまたは同様のデータ構造を生成することを検討できます。2つのツリーの類似性を比較できる場合があります。これは、たとえば色のスペクトルが大きい写真データではうまく機能しませんが、漫画やその他の減色されたカラーセットの画像では機能する可能性があります。
これはおそらく機能しませんが、アイデアです。トライデータ構造は、例えば、dictionartyを辞書を格納で素晴らしいです。これはプレフィックスツリーです。おそらく、レキシコンに相当する画像を作成して（ここでも色についてしか考えられません）、トライを作成することができます。300x300の画像を5x5の正方形に縮小した場合、各5x5の正方形を一連の色に分解すると、結果のデータからトライを構成できます。2x2の正方形が含まれている場合：
FFFFFF|000000|FDFD44|FFFFFF
24レベルを拡張するかなりユニークなトライコードがあり、レベルを増減（IEはサブスクエアのサイズを増減）すると、より正確な結果が得られます。
トライツリーの比較はかなり簡単で、効果的な結果が得られる可能性があります。
その他のアイデア
衛星画像の分類についての興味深い論文に遭遇しました。その概要は次のとおりです。
考慮されるテクスチャメジャーは、共起行列、グレーレベルの違い、テクスチャトーン分析、フーリエスペクトルから派生した機能、およびガボールフィルターです。一部のフーリエ機能と一部のガボールフィルターは、特に単一の周波数帯域が分類に使用された場合に、良い選択であることがわかりました。
これらの測定値の一部はデータセットに関連しない場合もありますが、これらの測定値をさらに詳しく調査する価値があります。
その他の考慮事項
この種のことについてはおそらく多くの論文があるので、それらは非常に専門的かもしれませんが、それらのいくつかを読むと役立つはずです。これはコンピューティングにおいて非常に困難な分野であり、多くの人々が同様のことを試みて費やした多くの無駄な時間を費やしています。それをシンプルに保ち、それらのアイデアに基づいて構築するのが最善の方法です。ランダムな一致率よりも優れたアルゴリズムを作成することはかなり困難な挑戦であり、それを改善し始めることは実際に達成するのが非常に難しくなります。
おそらく、それぞれの方法を徹底的にテストして微調整する必要があります。チェックする画像の種類に関する情報がある場合は、これも役立ちます。たとえば広告の場合、その多くにテキストが含まれるため、テキスト認識を行うと、特に他のソリューションと組み合わせると、一致を見つけるのが簡単で、おそらく非常に信頼できる方法になります。前述のように、データセットの一般的なプロパティを利用しようとします。
（有効性に応じて）重み付け投票が可能な代替測定と手法を組み合わせることは、より正確な結果を生成するシステムを作成できる1つの方法です。
この回答の冒頭で述べたように、複数のアルゴリズムを採用している場合、すべての陽性が見つかることがありますが、偽陽性率は20％です。他のアルゴリズムの特性/強度/弱点を別のアルゴリズムで調査することは興味深いことです。他から返される偽陽性を排除するのに効果的です。
終わりのないプロジェクトを完成させようとしないように注意してください。