图像匹配之感知哈希（pHash）算法的OpenCV实现

1.前言

 

        目前“以图搜图”的引擎越来越多，可参考博文：

        http://blog.csdn.net/forthcriminson/article/details/8698175

        此篇博文中列出了很多“以图搜图”的引擎，之前很好奇他们是如何进行检索的，偶然间看到了一篇博客，上面说Google和Tineye主要利用的算法是感知哈希算法（Perceptual hash algorithm），它的作用是对每张图片生成一个"指纹"（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似，里面介绍的原理也比较简单，正好目前也在做图像检索方面的课题，就用OpenCV实现了一下，供大家参考，本篇博文主要介绍如何通过OpenCV实现均值Hash和pHash算法，基本原理和流程会在代码的注释中详细说明。

 

2.均值Hash算法

[cpp]  view plain  copy

1. //均值Hash算法  
2.  string HashValue(Mat &src)  
3.  {  
4.      string rst(64,'\0');  
5.      Mat img;  
6.      if(src.channels()==3)  
7.          cvtColor(src,img,CV_BGR2GRAY);  
8.     else  
9.         img=src.clone();  
10.        /*第一步，缩小尺寸。 
11.          将图片缩小到8x8的尺寸，总共64个像素,去除图片的细节*/  
12.   
13.         resize(img,img,Size(8,8));  
14.     /* 第二步，简化色彩(Color Reduce)。 
15.        将缩小后的图片，转为64级灰度。*/  
16.   
17.     uchar *pData;  
18.     for(int i=0;i<img.rows;i++)  
19.     {  
20.         pData = img.ptr<uchar>(i);  
21.         for(int j=0;j<img.cols;j++)  
22.         {  
23.             pData[j]=pData[j]/4;            }  
24.     }  
25.       
26.         /* 第三步，计算平均值。 
27.        计算所有64个像素的灰度平均值。*/  
28.     int average = mean(img).val[0];  
29.       
30.         /* 第四步，比较像素的灰度。 
31.      将每个像素的灰度，与平均值进行比较。大于或等于平均值记为1,小于平均值记为0*/  
32.     Mat mask= (img>=(uchar)average);  
33.       
34.         /* 第五步，计算哈希值。*/  
35.     int index = 0;  
36.     for(int i=0;i<mask.rows;i++)  
37.     {  
38.         pData = mask.ptr<uchar>(i);  
39.         for(int j=0;j<mask.cols;j++)  
40.         {  
41.             if(pData[j]==0)  
42.                 rst[index++]='0';  
43.             else  
44.                 rst[index++]='1';  
45.         }  
46.     }  
47.     return rst;  
48.  }  

3. pHash算法

[cpp]  view plain  copy

1. //pHash算法  
2.  string pHashValue(Mat &src)  
3.  {  
4.      Mat img ,dst;  
5.      string rst(64,'\0');  
6.      double dIdex[64];  
7.      double mean = 0.0;  
8.      int k = 0;  
9.      if(src.channels()==3)  
10.      {  
11.          cvtColor(src,src,CV_BGR2GRAY);  
12.          img = Mat_<double>(src);  
13.      }     
14.      else  
15.      {  
16.          img = Mat_<double>(src);  
17.      }       
18.        
19.         /* 第一步，缩放尺寸*/  
20.      resize(img, img, Size(8,8));  
21.           
22.         /* 第二步，离散余弦变换，DCT系数求取*/  
23.      dct(img, dst);   
24.   
25.         /* 第三步，求取DCT系数均值（左上角8*8区块的DCT系数）*/  
26.      for (int i = 0; i < 8; ++i) {  
27.          for (int j = 0; j < 8; ++j)   
28.          {  
29.              dIdex[k] = dst.at<double>(i, j);  
30.              mean += dst.at<double>(i, j)/64;  
31.              ++k;  
32.          }  
33.      }  
34.           
35.         /* 第四步，计算哈希值。*/  
36.      for (int i =0;i<64;++i)  
37.      {  
38.          if (dIdex[i]>=mean)  
39.          {  
40.              rst[i]='1';  
41.          }  
42.          else  
43.          {  
44.              rst[i]='0';  
45.          }  
46.      }  
47.      return rst;  
48.  }  

4.汉明距离计算     

 

         通过上面两段代码就可以计算出图像的Hash值，检索的时候一般采用汉明距离来进行判断两幅图像的相似性，一般情况下认为汉明距离小于5，就可以认为两幅图像时相似的。汉明具体计算实现：

[cpp]  view plain  copy

1. //汉明距离计算  
2.  int HanmingDistance(string &str1,string &str2)  
3.  {  
4.     if((str1.size()!=64)||(str2.size()!=64))  
5.         return -1;  
6.     int difference = 0;  
7.     for(int i=0;i<64;i++)  
8.     {  
9.         if(str1[i]!=str2[i])  
10.             difference++;  
11.     }  
12.     return difference;  
13.  }  

5.算法性能测试

 

          为了验证该算法的性能，我进行了一些简单的测试，发现非等比例的图像缩放对均值Hash算法的性能有很大影响，如我进行测试的图像时640*480的，当我将其缩放为100*100时，两幅图像之间的汉明距离为28，两幅图像的Hash值相差较大，这说明非等比例的图像缩放会会使得基于均值Hash算法的图像检索出现错误，而pHash算法则在计算汉明距离后为4，这说明pHash算法对尺度的变化的鲁棒性强于均值Hash算法。

        接下来我又对其对旋转的鲁棒性进行了一定的测试，测试图像如下所示

                                                img1                                                        img2

                                       img3                                                                   img4

       均值Hash算法测试结果：

       pHash算法测试结果：

  

       从测试结果中可以看出无论是均值Hash算法还是pHash算法，对旋转都不具有鲁棒性，只是pHash算法相对来说好一些，  一个真正的可商用的“以图搜图”引擎， 仍然需要对其进行改进，类似于原文中说的一样，如果不对其进行改进，目前只能由于以缩略图查找原图的情况。

 

6.相关JAVA实现

 

均值Hash算法：http://blog.csdn.net/luoweifu/article/details/7733030

pHash算法：http://blog.csdn.net/luoweifu/article/details/8220992