如何通过比对颜色计数字典计算图像色彩与色温相似度

可选比对方案（按实现难度从低到高，均能满足高速计算需求） #

方案1：加权频率交并比计算（最常用，平衡速度与精度） #

• 先将两张图的颜色计数统一转换为频率值：每个颜色的计数除以总像素数（你固定缩放到100*100px的话总像素为10000，可提前固化省去重复计算）
• 遍历两张图颜色字典的共同颜色，对每个共同颜色取两者频率的较小值累加，得到交集总占比
• 最终相似度取值范围为0~1，数值越高代表色彩相似度越高，你可以根据业务场景设定判定阈值，通常0.6以上即可判定为色彩高度相似
• 适配色温匹配需求的优化：可以将RGB颜色先转换为HSV色彩空间，给色相（H）通道设置更高权重，明度（V）次之，饱和度（S）最低，匹配时优先保证色温区间一致

对应示例代码：

static double CalcColorSimilarity(Dictionary<Color, int> img1Colors, Dictionary<Color, int> img2Colors, int totalPixels = 10000)
{
    double intersectSum = 0;
    foreach (var entry in img1Colors)
    {
        if (img2Colors.TryGetValue(entry.Key, out int img2Count))
        {
            intersectSum += Math.Min(entry.Value, img2Count);
        }
    }
    // 直接返回交集占总像素的比例作为相似度，省略并集计算可以进一步提速，对效果影响极小
    return intersectSum / totalPixels;
}

方案2：频率曼哈顿距离计算（适合对差异敏感度要求高的场景） #

• 同样先将计数转换为频率值
• 遍历两张图所有出现过的颜色，计算两张图该颜色频率的差值绝对值并累加
• 最终累加值越小相似度越高，你也可以转换为0~1区间的相似度分：1 - 总差值 / 2

性能优化技巧 #

你可以提前对每张图的颜色计数按出现频率从高到低排序，比对时只取前20~50个占比最高的核心颜色计算，占比极低的零散颜色对整体色彩、色温的影响可以忽略，能进一步将比对速度提升30%以上。

内容的提问来源于stack exchange，提问作者Peter Perni