Wikipedia article on TinEye 表示Perceptual Hashing 将产生类似于 TinEye 的结果。他们引用this detailed description of the algorithm。但是TinEye refuses to comment.
Perceptual Hashing 方法的最大问题是，虽然它在识别相同图像时很有效（受歪斜、对比度变化等影响），但在识别同一物体的完全不同图像时却不是很好（例如正面汽车的侧面与汽车的侧面）。
TensorFlow 对深度神经网络有很好的支持，这可能会给您带来更好的结果。以下是关于如何在 TensorFlow 中使用深度神经网络来解决此问题的高级描述：
从预训练的 NN（例如 GoogLeNet）开始，或者在 ImageNet 等数据集上自行训练。现在我们得到了一张我们正在尝试识别的新图片。将其输入NN。看看神经网络中一个相当深的层的激活。这个激活向量就像图像的“指纹”。在您的数据库中找到指纹最接近的图片。如果它足够接近，它可能是同一个对象。
这种方法背后的直觉是，与感知散列不同，NN 正在构建图像的高级表示，包括识别边缘、形状和重要颜色。例如，一个苹果的指纹可能包含关于它的圆形、红色，甚至是它的小茎的信息。
您也可以尝试使用this 2012 paper on image retrieval 之类的方法，它使用一系列精选特征，例如 SIFT、区域色矩和对象轮廓片段。这可能需要更多的工作，而这并不是 TensorFlow 最擅长的。
更新
OP 提供了他的应用程序中的一对示例图像：
这是在这对相似的图像以及一对完全不同的图像上使用the demo on the pHash.org website 的结果。
比较 OP 提供的两张图片：
RADISH（径向散列）：pHash determined your images are not similar with PCC = 0.518013
DCT 哈希：pHash determined your images are not similar with hamming distance = 32.000000.
Marr/墨西哥帽子小波：pHash determined your images are not similar with normalized hamming distance = 0.480903.
将他的一张图片与我机器中的一张随机图片进行比较：
RADISH（径向散列）：pHash determined your images are not similar with PCC = 0.690619.
DCT 哈希：pHash determined your images are not similar with hamming distance = 27.000000.
Marr/墨西哥帽子小波：pHash determined your images are not similar with normalized hamming distance = 0.519097.
结论
我们必须测试更多图片才能真正了解。但到目前为止，pHash 似乎做得并不好。使用默认阈值，它不会认为相似的图像是相似的。而对于一种算法，它实际上认为完全随机的图像更相似。