图像处理中的余弦相似度：从CIFAR-10数据集看图片匹配的底层逻辑

图像处理中的余弦相似度：从CIFAR-10数据集看图片匹配的底层逻辑

最近在整理一个图像检索的小项目时，我重新审视了“相似度”这个看似基础却至关重要的概念。很多刚接触计算机视觉的朋友，一提到图片匹配，可能立刻想到复杂的深度学习模型，比如ResNet、ViT提取的特征。这当然没错，但在深入这些“黑盒”之前，我们不妨先回到一个更本质的问题：抛开神经网络，计算机如何“理解”两张图片是相似的？答案可能比你想象的要“数学”得多——它始于将图像视为空间中的点，并用几何关系来衡量它们的远近。今天，我们就以经典的CIFAR-10数据集为舞台，深入探讨余弦相似度如何成为衡量图片相似性的一把直尺，并亲手用代码实现从图像加载、向量化到阈值判定的完整流程。这篇文章适合那些希望夯实基础，理解算法背后直观几何意义的学习者。我们将不止步于公式，而是聚焦于如何在真实的、尺寸微小的32x32图像上，让理论落地。

1. 核心原理：为什么是余弦，而不是距离？

当我们谈论两张图片的相似度时，一个最朴素的想法是：把图片变成两组数字，然后看它们相差多少。比如计算欧几里得距离（也就是我们常说的直线距离）。这个方法直观，但在图像领域，它常常会“说谎”。

想象一下，你用手机拍了两张桌子的照片，一张光线充足，一张比较昏暗。对于计算机来说，昏暗照片的每个像素值（RGB强度）可能都比明亮照片的要低。如果直接计算对应像素的差值平方和，这个距离会非常大，尽管它们拍的是同一个物体。这里的关键在于，欧氏距离对数值的绝对大小非常敏感。

而余弦相似度巧妙地绕开了这个陷阱。它的核心思想不是比较数值的绝对差异，而是比较两个向量在方向上的“一致性”。它关注的是向量之间的夹角。

一个简单的类比：在评价两份番茄炒蛋时，欧氏距离会纠结于一份盐放了3克，另一份放了5克，从而得出差异很大的结论。而余弦相似度则更关心两份菜中，盐、糖、醋、番茄、鸡蛋这些成分的比例关系是否一致。只要比例相似，即使一份做得量大，一份量小，它们也被认为是“相似”的菜品。

数学上，对于两个向量 A 和 B，它们的余弦相似度定义为：

[ \text{cosine_similarity}(A, B) = \frac{A \cdot B}{|A| |B|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}} ]

这个公式的分子是向量的点积（内积），分母是各自模长（范数）的乘积。它的值域在[-1, 1]之间：

• 1：表示两个向量方向完全相同（夹角0度）。
• 0：表示两个向量正交，毫不相关（夹角90度）。
• -1：表示两个向量方向完全相反（夹角180度）。

在图像处理中，像素值通常为非负（如0-255），因此余弦相似度结果通常在[0, 1]范围内，越接近1越相似。

那么，把图片变成向量，这个“方向”又代表了什么呢？我们可以将其理解为图像中像素强度分布的总体模式或纹理走向。两张内容相似的图片，尽管整体亮度不同（导致向量长度不同），但其像素值的相对分布模式（向量的方向）应该是接近的。这就是余弦相似度在图像比对中往往比纯距离度量更鲁棒的原因。

2. 实战准备：驯服CIFAR-10数据集

理论需要实践的检验，而CIFAR-10是一个绝佳的沙盒。这个数据集包含了10个类别的6万张32x32彩色小图片，尺寸小巧，结构清晰，非常适合进行算法原型验证。我们首先需要把它正确地加载到我们的工作环境中。

我将使用PyTorch来完成数据加载，因为它提供了非常简洁且高效的接口。如果你习惯用TensorFlow或纯NumPy，思路也是完全相通的。

import torch
import torchvision
import torchvision.transforms as transforms
import numpy as np
import matplotlib.pyplot as plt

# 定义数据预处理转换。CIFAR-10原始数据是PIL Image，我们需要将其转换为Tensor，并归一化到[0,1]范围。
transform = transforms.Compose([
    transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为Tensor，并自动将[0,255]缩放到[0.0,1.0]
])

# 下载并加载训练集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

# 加载测试集（这里我们主要用训练集做实验）
testset = torchvision.datasets.CIFAR10(root='./data', train=False,