NoAIMatch：无需AI的纯数学图像相似度比对系统

一个完全基于硬编码数学算法的图像相似度比对工具，无需神经网络或机器学习，通过直方图、SSIM、NCC等五种技术实现旋转、缩放、亮度不变的图像比对。

在深度学习大行其道的今天，NoAIMatch 项目选择了一条截然不同的道路。这是一个100%纯硬编码的图像相似度比对系统，完全不依赖人工智能、神经网络或机器学习，而是依靠纯粹的数学和经典计算机视觉算法来实现图像比对功能。

项目的核心理念非常明确：零样本学习（Zero-shot Learning），开箱即用，适用于任何类型的图像，无需预训练模型或大量数据集。

---

当前的图像识别领域几乎被深度学习模型所主导，从ResNet到Vision Transformer，神经网络在各类视觉任务中取得了令人惊叹的成果。然而，这些模型也带来了一些固有的问题：

1. 模型体积庞大：动辄数百MB甚至数GB的模型文件
2. 计算资源需求高：需要GPU加速才能获得可接受的推理速度
3. 依赖训练数据：模型性能严重依赖训练数据的质量和多样性
4. 黑盒特性：神经网络的决策过程难以解释

NoAIMatch项目正是对这些痛点的回应。它证明了一个观点：传统的计算机视觉算法在特定场景下仍然具有不可替代的价值。

---

NoAIMatch系统巧妙地融合了五种互补的图像比对技术，通过加权融合策略获得鲁棒的比对结果：

直方图是描述图像像素强度分布的经典工具。通过比较两张图像的灰度或颜色直方图，可以快速判断它们的整体色调和亮度分布是否相似。这种方法具有天然的旋转不变性和缩放不变性，因为直方图统计的是全局分布，与像素的空间位置无关。

系统提取图像的统计特征（均值、标准差）和梯度特征进行比对。统计特征反映了图像的整体亮度和对比度，而梯度特征则捕捉了边缘和纹理信息。这种组合能够在保持计算效率的同时，获得对图像内容的描述。

SSIM（Structural Similarity Index Measure）是一种衡量两幅图像结构相似度的指标，由Wang等人于2004年提出。与人眼视觉系统类似，SSIM关注图像的亮度、对比度和结构三个维度的相似性。NoAIMatch在实现中加入了旋转对齐机制，使其能够处理旋转后的图像比对。

归一化互相关是一种经典的模板匹配算法，通过计算两个信号的相关系数来衡量它们的相似程度。NCC对亮度变化具有较好的鲁棒性，NoAIMatch同样为其增加了旋转对齐功能，支持0-360度任意角度的旋转比对。