感知哈?？梢杂脕砼袛鄡蓚€圖片的相似度，通常可以用來進(jìn)行圖像檢索。

感知哈希算法對每一張圖片生成一個“指紋”，通過比較兩張圖片的指紋，來判斷他們的相似度，是否屬于同一張圖片。

常用的有三種：平均哈希（aHash），感知哈希（pHash），差異值哈希（dHash）

算法步驟

他們的步驟都類似：

平均哈希

1.圖片縮放，一般為8*8，或者32*32

2.將圖片灰度化

3.求平均值，并根據(jù)平均值將每一個像素二值化

4.將8*8=64位bit，每8個比特為一個十六進(jìn)制值，轉(zhuǎn)換成字符串，生成哈希值（指紋）

感知哈希

1.圖片縮放 為32*32大小

2.將圖片灰度化

3.對圖片進(jìn)行離散余弦變換（DCT），轉(zhuǎn)換的頻域

4.取頻域左上角8*8大小（圖片的能量都集中在低頻部分，低頻位于左上角）

5.計(jì)算平均值，并根據(jù)平均值二值化（同平均哈希）

6.生成哈希值

差異值哈希

1.圖片縮放為9*8大小

2.將圖片灰度化

3.差異值計(jì)算（每行相鄰像素的差值，這樣會生成8*8的差值，前一個像素大于后一個像素則為1，否則為0）

4.生成哈希值

計(jì)算距離

生成每一個圖片的哈希值后，需要計(jì)算哈希值的距離，來判斷兩張圖片的相似度。一般使用漢明距離，也就是逐位計(jì)算兩張圖片的哈希值是否相同。

實(shí)現(xiàn)

下面是用python實(shí)現(xiàn)的三種哈希：

import cv2
import numpy as np
import time
#均值哈希算法
def aHash(img):
#縮放為8*8
img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
#轉(zhuǎn)換為灰度圖
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#s為像素和初值為0，hash_str為hash值初值為''
s=0
hash_str=''
#遍歷累加求像素和
for i in range(8):
for j in range(8):
s=s+gray[i,j]
#求平均灰度
avg=s/64
#灰度大于平均值為1相反為0生成圖片的hash值
for i in range(8):
for j in range(8):
if gray[i,j]>avg:
hash_str=hash_str+'1'
else:
hash_str=hash_str+'0'
return hash_str
#差值感知算法
def dHash(img):
#縮放8*8
img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC)
#轉(zhuǎn)換灰度圖
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
hash_str=''
#每行前一個像素大于后一個像素為1，相反為0，生成哈希
for i in range(8):
for j in range(8):
if gray[i,j]>gray[i,j+1]:
hash_str=hash_str+'1'
else:
hash_str=hash_str+'0'
return hash_str
#Hash值對比
def cmpHash(hash1,hash2):
n=0
#hash長度不同則返回-1代表傳參出錯
if len(hash1)!=len(hash2):
return -1
#遍歷判斷
for i in range(len(hash1)):
#不相等則n計(jì)數(shù)+1，n最終為相似度
if hash1[i]!=hash2[i]:
n=n+1
return 1 - n / 64
def pHash(imgfile):
img_list=[]
#加載并調(diào)整圖片為32x32灰度圖片
img=cv2.imread(imgfile, 0)
img=cv2.resize(img,(64,64),interpolation=cv2.INTER_CUBIC)
#創(chuàng)建二維列表
h, w = img.shape[:2]
vis0 = np.zeros((h,w), np.float32)
vis0[:h,:w] = img #填充數(shù)據(jù)
#二維Dct變換
vis1 = cv2.dct(cv2.dct(vis0))
#cv.SaveImage('a.jpg',cv.fromarray(vis0)) #保存圖片
vis1.resize(32,32)
#把二維list變成一維list
img_list=vis1.flatten()
#計(jì)算均值
avg = sum(img_list)*1./len(img_list)
avg_list = ['0' if i>avg else '1' for i in img_list]
#得到哈希值
return ''.join(['%x' % int(''.join(avg_list[x:x+4]),2) for x in range(0,32*32,4)])
def hammingDist(s1, s2):
#assert len(s1) == len(s2)
return 1 - sum([ch1 != ch2 for ch1, ch2 in zip(s1, s2)])*1. / (32*32/4)
if __name__ == '__main__':
img1 = cv2.imread("F:\\Humpback Whale\\phash\\4.jpg")
img2 = cv2.imread("F:\\Humpback Whale\\phash\\2d6610b9.jpg")
time1 = time.time()
hash1 = aHash(img1)
hash2 = aHash(img2)
n = cmpHash(hash1, hash2)
print('均值哈希算法相似度：', n, "-----time=", (time.time() - time1))
time1 = time.time()
hash1 = dHash(img1)
hash2 = dHash(img2)
n = cmpHash(hash1, hash2)
print('差值哈希算法相似度：', n, "-----time=", (time.time() - time1))
time1 = time.time()
HASH1=pHash("F:\\Humpback Whale\\phash\\4.jpg")
HASH2=pHash("F:\\Humpback Whale\\phash\\2d6610b9.jpg")
out_score = hammingDist(HASH1,HASH2)
print('感知哈希算法相似度：', out_score, "-----time=", (time.time() - time1))

并做了一些實(shí)驗(yàn)，來比較三種哈希的特點(diǎn)：

1.同一張圖片

均值哈希算法相似度： 1.0 -----time= 0.0
差值哈希算法相似度： 1.0 -----time= 0.0
感知哈希算法相似度： 1.0 -----time= 0.031249523162841797

2.圖片resize成其他大小

均值哈希算法相似度： 0.890625 -----time= 0.0
差值哈希算法相似度： 0.859375 -----time= 0.0
感知哈希算法相似度： 0.921875 -----time= 0.03124713897705078

3.改變圖片亮度

均值哈希算法相似度： 0.984375 -----time= 0.0
差值哈希算法相似度： 0.9375 -----time= 0.0
感知哈希算法相似度： 0.95703125 -----time= 0.0312497615814209

4. 改變圖片對比度

均值哈希算法相似度： 1.0 -----time= 0.0
差值哈希算法相似度： 1.0 -----time= 0.0
感知哈希算法相似度： 0.8828125 -----time= 0.04687380790710449

5.改變圖片銳度

均值哈希算法相似度： 0.984375 -----time= 0.0
差值哈希算法相似度： 0.890625 -----time= 0.0
感知哈希算法相似度： 0.94921875 -----time= 0.031252145767211914

6.色度增強(qiáng)

均值哈希算法相似度： 1.0 -----time= 0.015625715255737305
差值哈希算法相似度： 0.984375 -----time= 0.0
感知哈希算法相似度： 0.99609375 -----time= 0.0312497615814209

7.圖片旋轉(zhuǎn)

均值哈希算法相似度： 0.484375 -----time= 0.0
差值哈希算法相似度： 0.46875 -----time= 0.0
感知哈希算法相似度： 0.4609375 -----time= 0.031249046325683594

均值哈希算法相似度： 0.375 -----time= 0.0
差值哈希算法相似度： 0.515625 -----time= 0.0
感知哈希算法相似度： 0.62890625 -----time= 0.03132271766662598

從上面的實(shí)驗(yàn)結(jié)果可以得出一下結(jié)論：

1.均值哈希和差值哈希算法的時間都比感知哈希少，因?yàn)楦兄esize為32*32，并且要進(jìn)行DCT離散余弦變換，這個計(jì)算比較耗時

2.改變圖片的亮度，色度，對比度，銳度，均值哈希的效果都是最好的，幾乎不受影響，其次是差值哈希，最差是感知哈希

3.但是感知哈希在圖片旋轉(zhuǎn)以及resize后，效果比前兩者要好

https://blog.csdn.net/qq_32799915/article/details/81000437