理解三种图像相似的Hash算法

前言

本来想自己写一篇总结图像相似hash算法，无意之中看到一篇博客真的是总结地很精妙。感觉自己远远不及，于是转载过来并添以补充代码实现。
原文链接：https://www.cnblogs.com/Kalafinaian/p/11260808.html

度量两张图片的相似度有许多算法，本文讲介绍工程领域中最常用的图片相似度算法之一——Hash算法。Hash算法准确的说有三种，分别为平均哈希算法(aHash)、感知哈希算法你(pHash)和差异哈哈希算法(dHash)。
三种Hash算法都是通过获取图片的hash值，再比较两张图片hash值的汉明距离来度量两张图片是否相似。两张图片越相似，那么两张图片的hash数的汉明距离越小。下面本文将分别介绍这三种Hash算法。

一，平均哈希算法（aHash）

1.1 算法步骤

平均哈希算法是三种Hash算法中最简单的一种，它通过下面几个步骤来获得图片的Hash值，这几个步骤分别是(1) 缩放图片；（2）转灰度图; (3) 算像素均值；（4）根据相似均值计算指纹。具体算法如下所示:

步骤	具体内容
缩放图片	输入图片大小尺寸各异，为了统一图片的输入，统一将图片尺寸缩放为8*8，一共得到了64个像素点。
转灰度图	输入图片有些为单通道灰度图，有些RGB三通道彩色图，有些为RGBA四通道彩色图。也为了统一下一步输入标准，将非单通道图片都转为单通道灰度图。
算像素均值	通过上一步可得一个8x8的整数矩阵G，计算这个矩阵中所有元素的平均值，假设其值为a
据像素均值计算指纹	初始化输入图片的ahash = “” 。从左到右一行一行地遍历矩阵G每一个像素如果第i行j列元素G(i,j) >= a，则ahash += "1"如果第i行j列元素G(i,j) <a， 则ahash += “0”

得到图片的ahash值后，比较两张图片ahash值的汉明距离，通常认为汉明距离小于10的一组图片为相似图片。

1.2 具体实例
图片以Lena为例：

其中转为8x8尺寸的灰度Lena对应的数据矩阵为:

得到如上矩阵所有元素的均值a= 121.328125, 将上述矩阵中大于或等于a的元素置为1, 小于a的元素