基本概念
在某些情况下,我们需要检测图片之间的相似性,我们可能需要对图片进行去重、标记盗版等操作。
感知哈希算法是一类算法的总称,包括aHash、pHash、dHash。
·aHash:平均值哈希。速度比较快,但不精确。
·pHash:感知哈希。精确度较高,但速度慢。
·dHash:差异值哈希。精确度较高且速度非常快。
一、相似图片检测步骤
1.分别计算两张图片的dHash值
2.通过dHash值计算两张图片的汉明距离(Hamming Distance),通过汉明距离的大小,判断两张图片的相似度。
二、dHash计算
1.缩放图片
原图的分辨率一般非常高,一张240240的图片,就有57,600个像素点,每一个像素点保存一个RGB的值,信息量非常大。因此,将图片缩放,隐藏细节部分。建议缩放为98,宽度为9是有利于我们转换为hash值。
image1=np.array(image1.resize((9, 8), Image.LANCZOS).convert('L'), 'f')
image2=np.array(image2.resize((9, 8), Image.LANCZOS).convert('L'), 'f')
在image.resize中加上Image.LANCZOS参数,会对所有可以影响输出像素的输入像素进行高质量重采样滤波。
2.灰度化
将RGB图像转换为一个0到255的整数表示的灰度值,这样将三维化的比较简化为了一维的比较。上述代码中convert(‘L’)将图像转换为灰度图像。
具体转换方法参考博文
3.差异计算
差异值是通过计算每行相邻像素的强度对比得出的。我们的图片为9*8的分辨率,那么就有8行,每行9个像素。差异值是每行分别计算的,也就是第二行的第一个像素不会与第一行的任何像素比较。每一行有9个像素,那么就会产生8个差异值,所以8行像素共可以得出64个值,因此此时哈希值为长度是64的0-1序列。
如果前一个像素的颜色强度大于第二个像素,那么差异值就设置为True(也就是1),如果不大于第二个像素,就设置为False(也就是0)。
def dHash(image):
image_new=image
#计算均值
avreage = np.mean(image_new)
hash=[]
#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 image[i,j]>image[i,j+1]:
hash.append(1)
else:
hash.append(0)
return hash
计算汉明距离
汉明距离表示将不同的地方修改成相同的时候需要多少个步骤。
dHash中的汉明距离是通过计算差异值的修改位数。我们的差异值是用0、1表示的,可以看做二进制。二进制0110与1111的汉明距离为2。
我们将hash列表逐一进行比较,累加不同的位数,最后计算出的位数即为汉明距离。
#计算汉明距离
def Hamming_distance(hash1,hash2):
num = 0
for index in range(len(hash1)):
if hash1[index] != hash2[index]:
num += 1
return num
一般来说,汉明距离小于5,基本就是同一张图片。大家可以根据自己的实际情况,判断汉明距离临界值为多少。
完整代码
from PIL import Image
import os
import numpy as np
import time
#差异哈希算法
def dHash(image):
image_new=image
#计算均值
avreage = np.mean(image_new)
hash=[]
#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 image[i,j]>image[i,j+1]:
hash.append(1)
else:
hash.append(0)
return hash
#计算汉明距离
def Hamming_distance(hash1,hash2):
num = 0
for index in range(len(hash1)):
if hash1[index] != hash2[index]:
num += 1
return num
if __name__ == "__main__":
image1 = Image.open('0008.png')
image2 = Image.open('00010.png')
#缩小尺寸并灰度化
start = time.time()
image1=np.array(image1.resize((9, 8), Image.LANCZOS).convert('L'), 'f')
image2=np.array(image2.resize((9, 8), Image.LANCZOS).convert('L'), 'f')
hash1 = dHash(image1)
hash2 = dHash(image2)
dist = Hamming_distance(hash1, hash2)
end = time.time()
#将距离转化为相似度
similarity = 1 - dist * 1.0 / 64
print('dist is '+'%d' % dist)
print('similarity is ' +'%f' % similarity)
print('time is '+ '%f'%(end-start))