图像特征提取是计算机视觉应用的根本基础。研究了SIFT、LBP和HOG等3种信息互补的局部特征（即多角度局部特征）提取算法，研究了基于稀疏编码的图像相似性匹配算法，并以基于内容的图像检索（CBIR）为应用实例，验证了算法的有效性和高效性。

基于特征点的图像匹配方法的关键是准确快速地将可靠的特征点提取出来。经典归一化互相关匹配法属于基于特征点匹配方法中的一种，归一化互相关匹配法具有操作简单，匹配精度高等优点，但其计算量庞大，难以满足实时跟踪的要求。提出了一种基于序贯相似性检测的归一化互相关快速匹配方法，并对提出的改进方法进行实验验证。实验表明，该方法可以准确快速的进行特征点匹配，减少了算法的计算时间，有效地减少了发生误匹配的概率。

NiCad-5.0 code colone detector.相似性检测工具，可用于代码检测。

可实现不同图像的相似性度量，可作为识别图像的一种依据

基于感知哈希中phash算法，汉明距离判别。进行图像检索，功能类似于百度/谷歌的以图搜图，不错的算法哦~

求数据的相似性，给定iuc中的数据集求两个样例之间的相似性，有matalab实现的

实现人体步态检测和基于步态的人体身份识别算法，主要内容包括背景的提取，人体运动区域检测，人体轮廓提取，步态特征的提取，相似性度量和分类识别。-

VC++ mfc,基于序贯相似性算法SSDA的图像匹配识别定位程序、测试图片及源代码

平均结构相似性[113]MSSIM (Mean Structural SIMilarity)表明图像分割结果与参考图像的平均局部结构相似性，其取值也在0到1之间，取值越大表明分割质量越好，当MSSIM=1时，对应图像分割结果与参考图像完全相同。

Part I Metric Searching in a Nutshell Overview 3 1. FOUNDATIONS OF METRIC SPACE SEARCHING 5 1 The Distance Searching Problem 6 2 The Metric Space 8 3 Distance Measures 9 3.1 Minkowski Distances 10 3.2 Quadratic Form Distance 11 3.3 Edit Distance 12 3.4 Tree Edit Distance 13 3.5 Jaccard’s Coefficient 13 3.6 Hausdorff Distance 14 3.7 Time Complexity 14 4 Similarity Queries 15 4.1 Range Query 15 4.2 Nearest Neighbor Query 16 4.3 Reverse Nearest Neighbor Query 17 4.4 Similarity Join 17 4.5 Combinations of Queries 18 4.6 Complex Similarity Queries 18 5 Basic Partitioning Principles 20 5.1 Ball Partitioning 20 5.2 Generalized Hyperplane Partitioning 21 5.3 Excluded Middle Partitioning 21 5.4 Extensions 21 6 Principles of Similarity Query Execution 22 6.1 Basic Strategies 22 6.2 Incremental Similarity Search 25 7 Policies for Avoiding Distance Computations 26 7.1 Explanatory Example 27 7.2 Object-Pivot Distance Constraint 28 7.3 Range-Pivot Distance Constraint 30 7.4 Pivot-Pivot Distance Constraint 31 7.5 Double-Pivot Distance Constraint 33 7.6 Pivot Filtering 34 8 Metric Space Transformations 35 8.1 Metric Hierarchies 36 8.1.1 Lower-Bounding Functions 36 8.2 User-Defined Metric Functions 38 8.2.1 Searching Using Lower-Bounding Functions 38 8.3 Embedding Metric Space 39 8.3.1 Embedding Examples 39 8.3.2 Reducing Dimensionality 40 9 Approximate Similarity Search 41 9.1 Principles 41 9.2 Generic Algorithms 44 9.3 Measures of Performance 46 9.3.1 Improvement in Efficiency 46 9.3.2 Precision and Recall 46 9.3.3 Relative Error on Distances 48 9.3.4 Position Error 49 10 Advanced Issues 50 10.1 Statistics on Metric Datasets 51 10.1.1 Distribution and Density Functions 51 10.1.2 Distance Distribution and Density 52 10.1.3 Homogeneity of Viewpoints 54 10.2 Proximity of Ball Regions 55 10.3 Performance Prediction 58 Contents ix 10.4 Tree Quality Measures 60 10.5 Choosing Reference Points 63 2. SURVEY OF EXISTING APPROACHES 67 1 Ball Partitioning Methods 67 1.1 Burkhard-Keller Tree 6