はじめに

類似画像の検出方法はいくつかありますが、今回はハミング距離による検出方法について記載します。
備忘録を兼ねて記事を書きますが、コメント等は随時いただけると助かります

ハミング距離について

ハミング距離というのは、簡単に言うと、ビットの違いを数えたものです。
同じ長さのビット列を比較し、値が違う箇所を数えると、それがハミング距離になります。

例えば、以下の２つのデータにおけるハミング距離は「3」です。

データ１　：　1000100111
データ２　：　0100100110

類似画像を検出する際、一般的には、各画像のハッシュ値を取得して、そのハミング距離を求めます。

例えば、画像１、画像２のハッシュ値が以下だった場合

画像１　：　58FA9F3AA8AD958AEA6
画像２　：　70FA9D3AA8AD952AAA4

以下の２つを使うと、楽に求められます。

・排他的論理和（XOR）
・ビットのカウント

「排他的論理和(XOR)」というのは、２つのデータを比較して、ビットが同じ箇所に0、違う箇所に1を立てる演算方法です。

このXORのビット列について1が立っている箇所を数えたらいいのですが、プログラム上で計算するより、SQLを使った方が楽です。

先ほどの画像１、画像２のハッシュ値について、ハミング距離をSQLを用いて求めると

select bit_count(0x58FA9F3AA8AD958AEA6 ^ 0x70FA9D3AA8AD952AAA4)

これだけで済みます。
このSQLの実行結果は「5」なので、画像１と画像２のハミング距離は「5」となります。

どこまでを類似画像と定義するかは要件によって異なるので、検証を重ね、適切な閾値を導いてください。

上記のように、画像をハッシュ化すれば、類似画像の検出を行えます。

しかし、ここで気をつけないといけないのは、ハッシュ化の方法。
やり方によっては、異なる画像で同じハッシュ値になることもあります。

私が見かけたのは、画像をリサイズして大きさを揃え、モノクロ化してハッシュ値を求める方法。

ほとんどの画像では異なる値になりますが、一部の画像においては、見た目が全く違うのに同じハッシュ値になってしまいます。中には、イラストとテキスト画像が同じハッシュ値なんてことも。（たまたま見つけて調査に至りましたが、実際にありました）

どのくらいの精度を求められるかによって、ハッシュ値の求め方もどれを採用するべきか異なります。
（詳しくないので）ここでは言及しませんが、ハッシュ化の方法についても、検証を重ねて採用してください。

あまり使うケースが無い知識かと思いますが、なんらかのタイミングで、この知識が役立つ時が来れば幸いです。

色々と挑戦して、スキルアップを楽しみましょう！