google的搜索引擎算法是强大的，针对这个问题 ，一些人址请教了算法组的朋友 ，他们分享了基本的思路，在这里表示感谢：
对于这种图像搜索的算法 ，一般是三个步骤：
将目标图片进行特征提取 ，描述图像的算法很多，用的比较多的是：SIFT描述子 ，指纹算法函数 ，bundling features算法，hash function(散列函数)等。也可以根据不同的图像 ，设计不同的算法 ，比如图像局部N阶矩的方法提取图像特征 。
2. 将图像特征信息进行编码，并将海量图像编码做查找表 。对于目标图像 ，可以对分辨率较大的图像进行降采样 ，减少运算量后在进行图像特征提取和编码处理。
3. 相似度匹配运算：利用目标图像的编码值，在图像搜索引擎中的图像数据库进行全局或是局部的相似度计算;根据所需要的鲁棒性，设定阈值 ，然后将相似度高的图片预保留下来;最后应该还有一步筛选最佳匹配图片 ，这个应该还是用到特征检测算法 。
其中每个步骤都有很多算法研究，围绕数学 ，统计学 ，图像编码，信号处理等理论进行研究 。
下面是阮一峰的一个最简单的实现：
你输入Google图片的网址 ，或者直接上传图片 ，Google就会找出与其相似的图片。下面这张图片是美国女演员Alyson Hannigan 。
上传后，Google返回如下结果：
这种技术的原理是什么?计算机怎么知道两张图片相似呢?
根据Neal Krawetz博士的解释 ，原理非常简单易懂 。我们可以用一个快速算法 ，就达到基本的效果。
这里的关键技术叫做"感知哈希算法"(Perceptual hash algorithm)，它的作用是对每张图片生成一个"指纹"(fingerprint)字符串 ，然后比较不同图片的指纹 。结果越接近 ，就说明图片越相似 。
下面是一个最简单的实现：
第一步，缩小尺寸。
将图片缩小到8x8的尺寸，总共64个像素 。这一步的作用是去除图片的细节 ，只保留结构、明暗等基本信息 ，摒弃不同尺寸、比例带来的图片差异 。
第二步，简化色彩。
将缩小后的图片 ，转为64级灰度。也就是说 ，所有像素点总共只有64种颜色 。
第三步，计算平均值 。
计算所有64个像素的灰度平均值。
第四步 ，比较像素的灰度 。
将每个像素的灰度 ，与平均值进行比较 。大于或等于平均值，记为1;小于平均值 ，记为0。
第五步 ，计算哈希值 。
将上一步的比较结果，组合在一起 ，就构成了一个64位的整数 ，这就是这张图片的指纹 。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。
得到指纹以后，就可以对比不同的图片 ，看看64位中有多少位是不一样的 。在理论上 ，这等同于计算"汉明距离"(Hamming distance) 。如果不相同的数据位不超过5，就说明两张图片很相似;如果大于10 ，就说明这是两张不同的图片。
具体的代码实现 ，可以参见Wote用python语言写的imgHash.py 。代码很短，只有53行 。使用的时候 ，第一个参数是基准图片 ，第二个参数是用来比较的其他图片所在的目录，返回结果是两张图片之间不相同的数据位数量(汉明距离)。
这种算法的优点是简单快速 ，不受图片大小缩放的影响 ，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了 。所以 ，它的最佳用途是根据缩略图 ，找出原图 。
实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25% ，它们就能匹配原图 。这些算法虽然更复杂 ，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串 ，然后再进行比较 。
