优化技术,网站备案 seo,wordpress 评论翻页,青岛seo排名收费1. 介绍
感知哈希算法#xff08;Perceptual Hash Algorithm#xff0c;简称pHash#xff09; 是哈希算法的一种#xff0c;主要用来做相似图片的搜索工作。 2. 原理
感知哈希算法#xff08;pHash#xff09;首先将原图像缩小成一个固定大小的像素图像#xff0c;然后…1. 介绍
感知哈希算法Perceptual Hash Algorithm简称pHash 是哈希算法的一种主要用来做相似图片的搜索工作。 2. 原理
感知哈希算法pHash首先将原图像缩小成一个固定大小的像素图像然后将图像转换为灰度图像通过使用离散余弦变换DCT来获取频域信息。然后根据DCT系数的均值生成一组哈希值。最后利用两组图像的哈希值的汉明距离来评估图像的相似度。
魔法 概括地讲感知哈希算法一共可细分八步
缩小图像 将目标图像缩小为一个固定的大小通常为32x32像素。作用是去除各种图像尺寸和图像比例的差异只保留结构、明暗等基本信息目的是确保图像的一致性降低计算的复杂度。图像灰度化 将缩小的图像转换为灰度图像。离散余弦变换DCT 感知哈希算法的核心是应用离散余弦变换。DCT将图像从空间域像素级别转换为频域得到32×32的DCT变换系数矩阵以捕获图像的低频信息。缩小DCT 经过DCT变换后图像的频率特征集中在图像的左上角保留系数矩阵左上角的8×8系数子矩阵因为虽然DCT的结果是32×32大小的矩阵但左上角8×8的矩阵呈现了图片中的最低频率。计算灰度均值 计算DCT变换后图像块的均值以便后面确定每个块的明暗情况。生成二进制哈希值 如果块的DCT系数高于均值表示为1否则表示为0由于我们只提取了DCT矩阵左上角的8×8系数子矩阵所以最后会得到一个64位的二进制值8x8像素的灰度图像。生成哈希值 由于64位二进制值太长所以按每4个字符为1组由2进制转成16进制。这样就转为一个长度为16的字符串。这个字符串也就是这个图像可识别的哈希值也叫图像指纹即这个图像所包含的特征。哈希值比较 通过比较两个图像的哈希值的汉明距离Hamming Distance就可以评估图像的相似度距离越小表示图像越相似。 3. 实验
第一步缩小图像
将目标图像缩小为一个固定的大小通常为32x32像素。作用是去除各种图像尺寸和图像比例的差异只保留结构、明暗等基本信息目的是确保图像的一致性降低计算的复杂度。
1读取原图
# 测试图片路径
img_path img_test/apple-01.jpg# 通过OpenCV加载图像
img cv2.imread(img_path)# 通道重排从BGR转换为RGB
img cv2.cvtColor(img, cv2.COLOR_BGR2RGB)2缩放原图
使用 OpenCV 的 resize 函数将图像缩放为32x32像素。
# 缩小图像使用OpenCV的resize函数将图像缩放为32x32像素采用Cubic插值方法进行图像重采样
img_32 cv2.resize(img, (32, 32), cv2.INTER_CUBIC)OpenCV 的 cv2.resize() 函数提供了4种插值方法以根据图像的尺寸变化来进行图像重采样。
cv2.INTER_NEAREST 最近邻插值也称为最近邻算法。它简单地使用最接近目标像素的原始像素的值。虽然计算速度快但可能导致图像质量下降。cv2.INTER_LINEAR 双线性插值通过对最近的4个像素进行线性加权来估计目标像素的值。比最近邻插值更精确但计算成本略高。cv2.INTER_CUBIC 双三次插值使用16个最近像素的加权平均值来估计目标像素的值。通常情况下这是一个不错的插值方法适用于图像缩小。cv2.INTER_LANCZOS4 Lanczos插值一种高质量的插值方法使用Lanczos窗口函数。通常用于缩小图像以保留图像中的细节和纹理。
第二步图像灰度化
将缩小的图像转换为灰度图像。
# 图像灰度化将彩色图像转换为灰度图像。
img_gray cv2.cvtColor(img_32, cv2.COLOR_BGR2GRAY)
print(f缩放32x32的图像中每个像素的颜色\n{img_gray})输出打印
缩放32x32的图像中每个像素的颜色
[[253 253 253 ... 253 253 253][253 253 253 ... 253 253 253][253 253 253 ... 253 253 253]...[253 253 253 ... 253 253 253][253 253 253 ... 253 253 253][253 253 253 ... 253 253 253]]第三步离散余弦变换DCT
感知哈希算法的核心是应用离散余弦变换。DCT将图像从空间域像素级别转换为频域得到32×32的DCT变换系数矩阵以捕获图像的低频信息。这里我们使用 OpenCV 的 cv2.dct 函数来执行DCT。
# 离散余弦变换DCT计算图像的DCT变换得到32×32的DCT变换系数矩阵
img_dct cv2.dct(np.float32(img_gray))
print(f灰度图像离散余弦变换DCT{img_dct})这行代码执行了离散余弦变换DCT它将图像数据从空间域像素级别转换为频域以便在频域上分析图像。
cv2.dct: 这是 OpenCV 库中的函数用于执行离散余弦变换。DCT是一种数学变换类似于傅里叶变换它将图像分解为不同频率的分量。np.float32(img_gray): 这是将灰度图像 img_gray 转换为32位浮点数的操作。DCT通常需要浮点数作为输入。img_dct: 这是存储DCT变换后结果的变量。在执行DCT后img_dct 将包含图像的频域表示。
基于DCT的图像感知哈希算法是一种能够有效感知图像全局特征的算法将图片认为是一个二维信号包含了表现大范围内的亮度变化小的低频部分与局部范围亮度变化剧烈的高频部分而高频部分一般存在大量的冗余和相关性。通过DCT变换可以将高能量信息集中到图像的左上角区域。可以理解为图像的特征频率区域。
# 离散余弦变换DCT计算图像的DCT变换得到32×32的DCT变换系数矩阵
img_dct cv2.dct(np.float32(img_gray))
print(f灰度图像离散余弦变换DCT{img_dct})# 缩放DCT系数
dct_scaled cv2.normalize(img_dct, None, 0, 255, cv2.NORM_MINMAX)
img_dct_scaled dct_scaled.astype(np.uint8)# 显示DCT系数的图像
plt.imshow(img_dct_scaled, cmapgray)
plt.show()如下图将图像进行DCT后得到其变换结果图像左上角变化明显而右下角几乎没有变化。
第四步缩小DCT
经过DCT变换后图像的频率特征集中在图像的左上角保留系数矩阵左上角的8×8系数子矩阵因为虽然DCT的结果是32×32大小的矩阵但左上角8×8的矩阵呈现了图片中的最低频率。
备注 这里为什么要缩放DCT以及其它缩放方式有哪些不同缩放方式结果有何不同不进行缩放DCT会怎么样等等问题我们在文末对比解答。
# 离散余弦变换DCT计算图像的DCT变换得到32×32的DCT变换系数矩阵
img_dct cv2.dct(np.float32(img_gray))
# print(f灰度图像离散余弦变换DCT{img_dct})# 缩放DCT将DCT系数的大小显式地调整为8x8然后它计算调整后的DCT系数的均值并生成哈希值。
img_dct.resize(8, 8)# 缩放DCT系数
dct_scaled cv2.normalize(dct_roi, None, 0, 255, cv2.NORM_MINMAX)
img_dct_scaled dct_scaled.astype(np.uint8)# 显示DCT系数的图像
plt.imshow(img_dct_scaled, cmapgray)
plt.show()第五步计算灰度均值
计算DCT变换后图像块的均值以便后面确定每个块的明暗情况。
# 计算灰度均值计算DCT变换后图像块的均值
img_avg np.mean(img_dct)
print(fDCT变换后图像块的均值{img_avg})输出打印
DCT变换后图像块的均值7.814879417419434第六步生成二进制哈希值
如果块的DCT系数高于均值表示为1否则表示为0。
由于我们只提取了DCT矩阵左上角的8×8系数子矩阵图片特征频率区域所以最后会得到一个64位的二进制值8x8像素的灰度图像。
# 生成二进制哈希值
img_hash_str
for i in range(8):for j in range(8):if img_dct[i, j] img_avg:img_hash_str 1else:img_hash_str 0
print(f图像的二进制哈希值{img_hash_str})或者使用等价的 lambda 表达式。效果一样。
img_hash_str
for i in range(8):img_hash_str .join(map(lambda i: 0 if i img_avg else 1, img_dct[i]))
print(f图像的二进制哈希值{img_hash_str})输出打印
图像的二进制哈希值1011000010001000100000100010000000001000000000001000000000000000第七步图像可识别的哈希值
由于64位二进制值太长所以按每4个字符为1组由2进制转成16进制。这样就转为一个长度为16的字符串。这个字符串也就是这个图像可识别的哈希值也叫图像指纹即这个图像所包含的特征。
# 生成图像可识别哈希值
img_hash
for i in range(0, 64, 4):img_hash .join(%x % int(img_hash_str[i: i 4], 2))
print(f图像可识别的哈希值{img_hash})输出打印
图像可识别的哈希值b088822008008000第八步哈希值比较
通过比较两个图像的哈希值的汉明距离Hamming Distance就可以评估图像的相似度距离越小表示图像越相似。
def hamming_distance(s1, s2):# 检查这两个字符串的长度是否相同。如果长度不同它会引发 ValueError 异常因为汉明距离只适用于等长的字符串if len(s1) ! len(s2):raise ValueError(Input strings must have the same length)distance 0for i in range(len(s1)):# 遍历两个字符串的每个字符比较它们在相同位置上的值。如果发现不同的字符将 distance 的值增加 1if s1[i] ! s2[i]:distance 1return distance4. 测试
我们来简单测试一下基于感知哈希算法的以图搜图 – 基于一张原图找最相似图片看看效果如何。 这里我准备了10张图片其中9张是苹果但形态不一1张是梨子。 输出打印
图片名称img_test/apple-01.jpg图片HASHb080000088000000与图片1的近似值汉明距离0
图片名称img_test/apple-02.jpg图片HASHa080000018000000与图片1的近似值汉明距离2
图片名称img_test/apple-03.jpg图片HASHb020000080000000与图片1的近似值汉明距离2
图片名称img_test/apple-04.jpg图片HASHa480000020000000与图片1的近似值汉明距离4
图片名称img_test/apple-05.jpg图片HASHa400000044000000与图片1的近似值汉明距离5
图片名称img_test/apple-06.jpg图片HASHf881000084000000与图片1的近似值汉明距离4
图片名称img_test/apple-07.jpg图片HASHe408000090000000与图片1的近似值汉明距离6
图片名称img_test/apple-08.jpg图片HASHcad9522236480010与图片1的近似值汉明距离13
图片名称img_test/apple-09.jpg图片HASHb000000098000000与图片1的近似值汉明距离2
图片名称img_test/pear-001.jpg图片HASHe0000000c8000000与图片1的近似值汉明距离3
耗时0.08439445495605469汉明距离两个长度相同的字符串在相同位置上的字符不同的个数。
简单的测试分析
原图相似图片相似值汉明距离相似图片特点相似图片与原图Hash对比结果图片01图片010自己自己与自己相似度100%图片01图片02、03、092主体形状、位置、背景基本相似最相似。相同背景、相同物体、同相位置下最相似。图片01图片pear-0013黄色的梨子意外相似。相似搜索并不能识别物体/内容。图片01图片04、图片064原图像的180度旋转图多主体比较相似。对于多主体、原图旋转变换相似搜索友好因为经过DCT变换后图像的能量特征集中在图像的左上角。图片01图片055青苹果2D比较相似。对于2D的扁平相似图片搜索也相对友好。图片01图片076背景差异、多色调勉强相似。对于背景差异、多色调的图片开始查找吃力。图片01图片0810以上背景差异、多色调较难分辨。复杂背景差异、多色调的图片较难与原图相似。
10张测试图片中汉明距离在5以内的有8张图片汉明距离在10以外只有1张图片。 从抽样简单测试结果看感知哈希算法表现更友好、更准确。
备注如果汉明距离0则表示这两张图片非常相似如果汉明距离小于5则表示有些不同但比较相近如果汉明距离大于10则表明是完全不同的图片。 5. 总结
经过实验和测试感知哈希算法的撸棒性更好。总体与均值哈希算法aHash差不多区别在于二值化方式不一样。
特点 传统 优点 简单、相对准确、计算效率高感知哈希考虑了图像的全局特征对图像的尺寸和旋转变化具有一定的鲁棒性适用于快速图像相似性搜索。 缺点 对一些局部变化不够敏感对于复杂、多色调的图像较难辨别属于一种外观相似的相似度计算。 6. 实验代码 以图搜图感知哈希算法Perceptual Hash Algorithm简称pHash的原理与实现
测试环境win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1
实验时间2023-10-22
import cv2
import time
import numpy as np
import matplotlib.pyplot as pltdef get_hash(img_path):# 读取图像通过OpenCV的imread加载图像# 缩小图像使用OpenCV的resize函数将图像缩放为32x32像素采用Cubic插值方法进行图像重采样img cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)img cv2.resize(img, (32, 32), cv2.INTER_CUBIC)# 图像灰度化将彩色图像转换为灰度图像。img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# print(f缩放32x32的图像中每个像素的颜色\n{img_gray})# 离散余弦变换DCT计算图像的DCT变换得到32×32的DCT变换系数矩阵img_dct cv2.dct(np.float32(img_gray))# print(f灰度图像离散余弦变换DCT{img_dct})# 缩放DCT将DCT系数的大小显式地调整为8x8。然后它计算调整后的DCT系数的均值并生成哈希值。# dct_roi img_dct[0:8, 0:8]img_dct.resize(8, 8)# 计算灰度均值计算DCT变换后图像块的均值img_avg np.mean(img_dct)# print(fDCT变换后图像块的均值{img_avg})# # 生成二进制哈希值# img_hash_str # for i in range(8):# for j in range(8):# if img_dct[i, j] img_avg:# img_hash_str 1# else:# img_hash_str 0# print(f图像的二进制哈希值{img_hash_str})# # 生成图像可识别哈希值# img_hash # for i in range(0, 64, 4):# img_hash .join(%x % int(img_hash_str[i: i 4], 2))# print(f图像可识别的哈希值{img_hash})img_hash_str for i in range(8):img_hash_str .join(map(lambda i: 0 if i img_avg else 1, img_dct[i]))# print(f图像的二进制哈希值{img_hash_str})# 生成图像可识别哈希值img_hash .join(map(lambda x:%x % int(img_hash_str[x : x 4], 2), range(0, 64, 4)))# print(f图像可识别的哈希值{img_hash})return img_hash# 汉明距离计算两个等长字符串通常是二进制字符串或位字符串之间的汉明距离。用于确定两个等长字符串在相同位置上不同字符的数量。
def hamming_distance(s1, s2):# 检查这两个字符串的长度是否相同。如果长度不同它会引发 ValueError 异常因为汉明距离只适用于等长的字符串if len(s1) ! len(s2):raise ValueError(Input strings must have the same length)distance 0for i in range(len(s1)):# 遍历两个字符串的每个字符比较它们在相同位置上的值。如果发现不同的字符将 distance 的值增加 1if s1[i] ! s2[i]:distance 1return distance# --------------------------------------------------------- 测试 ---------------------------------------------------------time_start time.time()img_1 img_test/apple-01.jpg
img_2 img_test/apple-02.jpg
img_3 img_test/apple-03.jpg
img_4 img_test/apple-04.jpg
img_5 img_test/apple-05.jpg
img_6 img_test/apple-06.jpg
img_7 img_test/apple-07.jpg
img_8 img_test/apple-08.jpg
img_9 img_test/apple-09.jpg
img_10 img_test/pear-001.jpgimg_hash1 get_hash(img_1)
img_hash2 get_hash(img_2)
img_hash3 get_hash(img_3)
img_hash4 get_hash(img_4)
img_hash5 get_hash(img_5)
img_hash6 get_hash(img_6)
img_hash7 get_hash(img_7)
img_hash8 get_hash(img_8)
img_hash9 get_hash(img_9)
img_hash10 get_hash(img_10)distance1 hamming_distance(img_hash1, img_hash1)
distance2 hamming_distance(img_hash1, img_hash2)
distance3 hamming_distance(img_hash1, img_hash3)
distance4 hamming_distance(img_hash1, img_hash4)
distance5 hamming_distance(img_hash1, img_hash5)
distance6 hamming_distance(img_hash1, img_hash6)
distance7 hamming_distance(img_hash1, img_hash7)
distance8 hamming_distance(img_hash1, img_hash8)
distance9 hamming_distance(img_hash1, img_hash9)
distance10 hamming_distance(img_hash1, img_hash10)time_end time.time()print(f图片名称{img_1}图片HASH{img_hash1}与图片1的近似值汉明距离{distance1})
print(f图片名称{img_2}图片HASH{img_hash2}与图片1的近似值汉明距离{distance2})
print(f图片名称{img_3}图片HASH{img_hash3}与图片1的近似值汉明距离{distance3})
print(f图片名称{img_4}图片HASH{img_hash4}与图片1的近似值汉明距离{distance4})
print(f图片名称{img_5}图片HASH{img_hash5}与图片1的近似值汉明距离{distance5})
print(f图片名称{img_6}图片HASH{img_hash6}与图片1的近似值汉明距离{distance6})
print(f图片名称{img_7}图片HASH{img_hash7}与图片1的近似值汉明距离{distance7})
print(f图片名称{img_8}图片HASH{img_hash8}与图片1的近似值汉明距离{distance8})
print(f图片名称{img_9}图片HASH{img_hash9}与图片1的近似值汉明距离{distance9})
print(f图片名称{img_10}图片HASH{img_hash10}与图片1的近似值汉明距离{distance10})print(f耗时{time_end - time_start})7. 疑难杂症
是否有很多问号
为什么要缩放DCTDCT缩放方式有哪些不同DCT缩放方式有何不同不进行DCT缩放效果会怎么样
对于这些问题我们来通过下面三组对比分析一探究竟。
7.1 过程对比
方式一 DCT变换后无DCT特征频率区域缩放 方式二 DCT变换后将DCT系数显式调整为8x8 方式三 DCT变换后只提取DCT系数左上角8x8像素 从上图的DCT变换过程来看从原图读取到缩小到指定大小的像素图像再到像素图像灰度化对于图像的加工结果都是一样的。区别仅在于对灰度图像使用离散余弦变换DCT之后对DCT系数的使用方式不一样。
7.2 结果对比
1纵向对比
同一张图片使用不同DCT变换方式获得的哈希值结果
方式一离散余弦变换DCT变换后无DCT特征频率区域缩放获得图像的二进制哈希值b3c3c682c9306640
方式二离散余弦变换DCT变换后将DCT系数显式调整为8x8获得图像的二进制哈希值b080000088000000
方式三离散余弦变换DCT变换后只提取DCT系数左上角8x8像素获得图像的二进制哈希值b088822008008000从上述的DCT变换结果来看同一张图片获得图像的二进制哈希值各不一样。
方式一与方式二、方式三的结果相差较大。方式二与方式三的结果也不尽一致。
2横向对比
不同图片使用相同DCT变换方式获得的哈希值结果 从上图的DCT变换结果来看不同图片使用不同方式的DCT变换最终查找的相似图片结果都不尽相同。
从DCT变换方式维度看方式二将DCT系数显示调整为8x8的查找效果最好。方式三其次。方式一最次。从DCT变换方式的计算效率来看方式二与方式三耗时相当计算效率较高而方式一由于无DCT特征频率区域缩放所以计算量最大效率最次。
7.3 代码对比 以图搜图感知哈希算法Perceptual Hash Algorithm简称pHash的原理与实现
测试环境win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1
实验时间2023-10-22
# ---------------------------------------------------------------------------------------------------------------------
# 测试为什么要缩放DCTDCT缩放方式有哪些不同DCT缩放方式有何不同不进行DCT缩放效果会怎么样
# ---------------------------------------------------------------------------------------------------------------------import cv2
import time
import numpy as np
import matplotlib.pyplot as plt# DCT变换后无特征频率区域缩放使用整个32x32图像块的频率分布计算整个DCT系数的均值并根据这个均值生成哈希值。
def get_pHash1(img_path):img cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)# plt.imshow(img, cmapgray)# plt.show()img cv2.resize(img, (32, 32), cv2.INTER_CUBIC)# plt.imshow(img, cmapgray)# plt.show()img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# plt.imshow(img_gray, cmapgray)# plt.show()img_dct cv2.dct(np.float32(img_gray))# 显示DCT系数的图像# dct_scaled cv2.normalize(img_dct, None, 0, 255, cv2.NORM_MINMAX)# img_dct_scaled dct_scaled.astype(np.uint8)# plt.imshow(img_dct_scaled, cmapgray)# plt.show()img_avg np.mean(img_dct)# print(fDCT变换后图像块的均值{img_avg})img_hash_str get_img_hash_binary(img_dct, img_avg)# print(f图像的二进制哈希值{img_hash_str})img_hash get_img_hash(img_hash_str)return img_hash# DCT变换后将DCT系数的大小显式地调整为8x8使用8x8的DCT系数块的频率分布计算调整后的DCT系数的均值并生成哈希值。
def get_pHash2(img_path):img cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)# plt.imshow(img, cmapgray)# plt.show()img cv2.resize(img, (32, 32), cv2.INTER_CUBIC)# plt.imshow(img, cmapgray)# plt.show()img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# plt.imshow(img_gray, cmapgray)# plt.show()img_dct cv2.dct(np.float32(img_gray))img_dct.resize(8, 8)# 显示DCT系数的图像# dct_scaled cv2.normalize(img_dct, None, 0, 255, cv2.NORM_MINMAX)# img_dct_scaled dct_scaled.astype(np.uint8)# plt.imshow(img_dct_scaled, cmapgray)# plt.show()img_avg np.mean(img_dct)# print(fDCT变换后图像块的均值{img_avg})img_hash_str get_img_hash_binary(img_dct, img_avg)# print(f图像的二进制哈希值{img_hash_str})img_hash get_img_hash(img_hash_str)return img_hash# DCT变换后只提取DCT系数的左上角8x8块的信息然后计算这个块的均值。此法只考虑图像一小部分的频率分布并生成哈希值。
def get_pHash3(img_path):img cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)# plt.imshow(img, cmapgray)# plt.show()img cv2.resize(img, (32, 32), cv2.INTER_CUBIC)# plt.imshow(img, cmapgray)# plt.show()img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# plt.imshow(img_gray, cmapgray)# plt.show()img_dct cv2.dct(np.float32(img_gray))dct_roi img_dct[0:8, 0:8]# 显示DCT系数的图像# dct_scaled cv2.normalize(dct_roi, None, 0, 255, cv2.NORM_MINMAX)# img_dct_scaled dct_scaled.astype(np.uint8)# plt.imshow(img_dct_scaled, cmapgray)# plt.show()img_avg np.mean(dct_roi)# print(fDCT变换后图像块的均值{img_avg})img_hash_str get_img_hash_binary(dct_roi, img_avg)# print(f图像的二进制哈希值{img_hash_str})img_hash get_img_hash(img_hash_str)return img_hashdef get_img_hash_binary(img_dct, img_avg):img_hash_str for i in range(8):img_hash_str .join(map(lambda i: 0 if i img_avg else 1, img_dct[i]))# print(f图像的二进制哈希值{img_hash_str})return img_hash_strdef get_img_hash(img_hash_str):img_hash .join(map(lambda x:%x % int(img_hash_str[x : x 4], 2), range(0, 64, 4)))# print(f图像可识别的哈希值{img_hash})return img_hash# 汉明距离计算两个等长字符串通常是二进制字符串或位字符串之间的汉明距离。用于确定两个等长字符串在相同位置上不同字符的数量。
def hamming_distance(s1, s2):# 检查这两个字符串的长度是否相同。如果长度不同它会引发 ValueError 异常因为汉明距离只适用于等长的字符串if len(s1) ! len(s2):raise ValueError(Input strings must have the same length)distance 0for i in range(len(s1)):# 遍历两个字符串的每个字符比较它们在相同位置上的值。如果发现不同的字符将 distance 的值增加 1if s1[i] ! s2[i]:distance 1return distance# 测试场景一 # img img_test/apple-01.jpg# img_hash1 get_phash1(img)
# img_hash2 get_phash2(img)
# img_hash3 get_phash3(img)# print(f方式一DCT变换后无DCT特征频率区域缩放获得图像的二进制哈希值{img_hash1})
# print(f方式二DCT变换后将DCT系数显式调整为8x8获得图像的二进制哈希值{img_hash2})
# print(f方式三DCT变换后只提取DCT系数左上角8x8像素获得图像的二进制哈希值{img_hash3})# 测试场景二 time_start time.time()img_1 img_test/apple-01.jpg
img_2 img_test/apple-02.jpg
img_3 img_test/apple-03.jpg
img_4 img_test/apple-04.jpg
img_5 img_test/apple-05.jpg
img_6 img_test/apple-06.jpg
img_7 img_test/apple-07.jpg
img_8 img_test/apple-08.jpg
img_9 img_test/apple-09.jpg
img_10 img_test/pear-001.jpg# ------------------------------------- 测试场景二方式一 --------------------------------------# img_hash1 get_pHash1(img_1)
# img_hash2 get_pHash1(img_2)
# img_hash3 get_pHash1(img_3)
# img_hash4 get_pHash1(img_4)
# img_hash5 get_pHash1(img_5)
# img_hash6 get_pHash1(img_6)
# img_hash7 get_pHash1(img_7)
# img_hash8 get_pHash1(img_8)
# img_hash9 get_pHash1(img_9)
# img_hash10 get_pHash1(img_10)# ------------------------------------- 测试场景二方式二 --------------------------------------img_hash1 get_pHash2(img_1)
img_hash2 get_pHash2(img_2)
img_hash3 get_pHash2(img_3)
img_hash4 get_pHash2(img_4)
img_hash5 get_pHash2(img_5)
img_hash6 get_pHash2(img_6)
img_hash7 get_pHash2(img_7)
img_hash8 get_pHash2(img_8)
img_hash9 get_pHash2(img_9)
img_hash10 get_pHash2(img_10)# ------------------------------------- 测试场景二方式三 --------------------------------------# img_hash1 get_pHash3(img_1)
# img_hash2 get_pHash3(img_2)
# img_hash3 get_pHash3(img_3)
# img_hash4 get_pHash3(img_4)
# img_hash5 get_pHash3(img_5)
# img_hash6 get_pHash3(img_6)
# img_hash7 get_pHash3(img_7)
# img_hash8 get_pHash3(img_8)
# img_hash9 get_pHash3(img_9)
# img_hash10 get_pHash3(img_10)distance1 hamming_distance(img_hash1, img_hash1)
distance2 hamming_distance(img_hash1, img_hash2)
distance3 hamming_distance(img_hash1, img_hash3)
distance4 hamming_distance(img_hash1, img_hash4)
distance5 hamming_distance(img_hash1, img_hash5)
distance6 hamming_distance(img_hash1, img_hash6)
distance7 hamming_distance(img_hash1, img_hash7)
distance8 hamming_distance(img_hash1, img_hash8)
distance9 hamming_distance(img_hash1, img_hash9)
distance10 hamming_distance(img_hash1, img_hash10)time_end time.time()print(f图片名称{img_1}图片HASH{img_hash1}与图片1的近似值汉明距离{distance1})
print(f图片名称{img_2}图片HASH{img_hash2}与图片1的近似值汉明距离{distance2})
print(f图片名称{img_3}图片HASH{img_hash3}与图片1的近似值汉明距离{distance3})
print(f图片名称{img_4}图片HASH{img_hash4}与图片1的近似值汉明距离{distance4})
print(f图片名称{img_5}图片HASH{img_hash5}与图片1的近似值汉明距离{distance5})
print(f图片名称{img_6}图片HASH{img_hash6}与图片1的近似值汉明距离{distance6})
print(f图片名称{img_7}图片HASH{img_hash7}与图片1的近似值汉明距离{distance7})
print(f图片名称{img_8}图片HASH{img_hash8}与图片1的近似值汉明距离{distance8})
print(f图片名称{img_9}图片HASH{img_hash9}与图片1的近似值汉明距离{distance9})
print(f图片名称{img_10}图片HASH{img_hash10}与图片1的近似值汉明距离{distance10})print(f耗时{time_end - time_start})如上代码这三种方法获取到的图像二进制哈希值之所以不同是因为它们在DCT变换后的处理方式不同
get_pHash1 方法 这种方法首先将图像进行灰度化然后执行DCT变换。接着它计算整个DCT系数的均值并根据这个均值生成哈希值。这意味着它考虑了整个32x32图像块的频率分布。get_pHash2 方法 这种方法在执行DCT后将DCT系数的大小显式地调整为8x8。然后它计算调整后的DCT系数的均值并生成哈希值。这个方法只考虑了8x8的DCT系数块的频率分布。get_pHash3 方法 这种方法与 get_pHash2 类似但它只提取了DCT系数的左上角8x8块的信息即ROI感兴趣区域然后计算这个块的均值。这个方法只考虑了图像的一个小部分频率分布。
由于这些方法考虑的DCT系数区域不同它们生成的哈希值会有差异。一般来说get_pHash1 方法考虑了整个图像块的频率分布因此哈希值可能更稳定但它也可能受到图像整体性的影响。而 get_pHash2 和 get_pHash3 方法只考虑了一个小块的频率信息所以哈希值可能更容易受到图像的局部特征影响。
选择哪种方法取决于你的应用需求。如果你希望更稳定的哈希值get_pHash1 可能是一个不错的选择。如果你希望更灵敏地检测局部特征get_pHash2 或 get_pHash3 可能更适合。 8. 系列书签
OpenCV #以图搜图均值哈希算法Average Hash Algorithm原理与实验
