赞
踩
感知哈希可以用来判断两个图片的相似度,通常可以用来进行图像检索。
感知哈希算法对每一张图片生成一个“指纹”,通过比较两张图片的指纹,来判断他们的相似度,是否属于同一张图片。
常用的有三种:平均哈希(aHash),感知哈希(pHash),差异值哈希(dHash)
他们的步骤都类似:
1.图片缩放,一般为8*8,或者32*32
2.将图片灰度化
3.求平均值,并根据平均值将每一个像素二值化
4.将8*8=64位bit,每8个比特为一个十六进制值,转换成字符串,生成哈希值(指纹)
1.图片缩放 为32*32大小
2.将图片灰度化
3.对图片进行离散余弦变换(DCT),转换的频域
4.取频域左上角8*8大小(图片的能量都集中在低频部分,低频位于左上角)
5.计算平均值,并根据平均值二值化(同平均哈希)
6.生成哈希值
1.图片缩放为9*8大小
2.将图片灰度化
3.差异值计算(每行相邻像素的差值,这样会生成8*8的差值,前一个像素大于后一个像素则为1,否则为0)
4.生成哈希值
生成每一个图片的哈希值后,需要计算哈希值的距离,来判断两张图片的相似度。一般使用汉明距离,也就是逐位计算两张图片的哈希值是否相同。
下面是用python实现的三种哈希:
- import cv2
- import numpy as np
- import time
- #均值哈希算法
- def aHash(img):
- #缩放为8*8
- img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
- #转换为灰度图
- gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
- #s为像素和初值为0,hash_str为hash值初值为''
- s=0
- hash_str=''
- #遍历累加求像素和
- for i in range(8):
- for j in range(8):
- s=s+gray[i,j]
- #求平均灰度
- avg=s/64
- #灰度大于平均值为1相反为0生成图片的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):
- #缩放8*8
- img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC)
- #转换灰度图
- gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
- hash_str=''
- #每行前一个像素大于后一个像素为1,相反为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值对比
- def cmpHash(hash1,hash2):
- n=0
- #hash长度不同则返回-1代表传参出错
- if len(hash1)!=len(hash2):
- return -1
- #遍历判断
- for i in range(len(hash1)):
- #不相等则n计数+1,n最终为相似度
- if hash1[i]!=hash2[i]:
- n=n+1
- return 1 - n / 64
-
- def pHash(imgfile):
- img_list=[]
- #加载并调整图片为32x32灰度图片
- img=cv2.imread(imgfile, 0)
- img=cv2.resize(img,(64,64),interpolation=cv2.INTER_CUBIC)
-
- #创建二维列表
- h, w = img.shape[:2]
- vis0 = np.zeros((h,w), np.float32)
- vis0[:h,:w] = img #填充数据
-
- #二维Dct变换
- vis1 = cv2.dct(cv2.dct(vis0))
- #cv.SaveImage('a.jpg',cv.fromarray(vis0)) #保存图片
- vis1.resize(32,32)
-
- #把二维list变成一维list
- img_list=vis1.flatten()
-
-
- #计算均值
- 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))

并做了一些实验,来比较三种哈希的特点:
1.同一张图片
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.图片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.改变图片亮度
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. 改变图片对比度
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.改变图片锐度
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.色度增强
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.图片旋转
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
从上面的实验结果可以得出一下结论:
1.均值哈希和差值哈希算法的时间都比感知哈希少,因为感知哈希resize为32*32,并且要进行DCT离散余弦变换,这个计算比较耗时
2.改变图片的亮度,色度,对比度,锐度,均值哈希的效果都是最好的,几乎不受影响,其次是差值哈希,最差是感知哈希
3.但是感知哈希在图片旋转以及resize后,效果比前两者要好
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。