相似图片搜索是计算机视觉领域的一个重要应用，它可以帮助我们快速找到与给定图片相似的图片。在这个过程中，哈希算法被广泛使用，它们能够将图像转化为简短的二进制串（哈希值），以便进行快速比对。下面介绍三种常用的图像相似度比较哈希算法：
- 均值哈希算法（aHash）
均值哈希算法是一种简单而有效的图像哈希算法。它的主要步骤包括：
（1）将图像缩放到统一的大小，比如8x8像素；
（2）将缩放后的图像转换为灰度图；
（3）计算所有像素的平均值；
（4）将每个像素的灰度值与平均值进行比较，如果大于平均值则该像素点为1，否则为0；
（5）将所有像素点按照顺序组合起来，形成一个二进制串，即该图像的哈希值。
均值哈希算法的优点是计算速度快，但是它的缺点是对图像的旋转、平移等变换比较敏感，容易产生误匹配。因此，在实际应用中，我们通常会使用其他的哈希算法来提高匹配的准确率。 - 差值哈希算法（dHash）
差值哈希算法是一种基于像素差值的哈希算法。它的主要步骤包括：
（1）将图像缩放到统一的大小，比如8x8像素；
（2）将缩放后的图像转换为灰度图；
（3）计算第一个像素点和第二个像素点之间的差值；
（4）将差值与阈值进行比较，如果大于阈值则该像素点为1，否则为0；
（5）将所有像素点按照顺序组合起来，形成一个二进制串，即该图像的哈希值。
差值哈希算法的优点是对图像的旋转、平移等变换具有一定的鲁棒性，但是它的缺点是对于图像的亮度变化比较敏感，容易产生误匹配。因此，在实际应用中，我们通常会将差值哈希算法与其他算法结合起来使用。 - 感知哈希算法（pHash）
感知哈希算法是一种基于特征提取的哈希算法。它的主要步骤包括：
（1）将图像缩放到统一的大小，比如8x8像素；
（2）提取图像的特征，比如颜色直方图、边缘方向直方图等；
（3）将特征向量进行量化，比如采用K-means聚类算法将特征向量映射到特定的码本上；
（4）将量化后的特征向量进行编码，形成一个二进制串，即该图像的哈希值。
感知哈希算法的优点是对图像的旋转、平移、亮度变化等变换具有较强的鲁棒性，同时能够提供更准确的相似度匹配。但是它的缺点是计算复杂度较高，需要较长的计算时间。因此，在实际应用中，我们需要根据具体的需求和场景来选择合适的哈希算法。
总结：以上三种哈希算法各有优缺点，在实际应用中我们需要根据具体的需求和场景来选择合适的算法。同时，为了提高相似图片搜索的准确率，我们还可以结合其他计算机视觉技术和机器学习算法来进行综合处理。