感知哈希算法(Perceptual hash algorithm)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

//均值Hash算法
 string HashValue(Mat &src)
 {
	 string rst(64,'\0');
	 Mat img;
	 if(src.channels()==3)
		 cvtColor(src,img,CV_BGR2GRAY);
 	else
 		img=src.clone();
       /*第一步,缩小尺寸。
         将图片缩小到8x8的尺寸,总共64个像素,去除图片的细节*/

        resize(img,img,Size(8,8));
 	/* 第二步,简化色彩(Color Reduce)。
 	   将缩小后的图片,转为64级灰度。*/

 	uchar *pData;
 	for(int i=0;i<img.rows;i++)
 	{
 		pData = img.ptr<uchar>(i);
 		for(int j=0;j<img.cols;j++)
 		{
 			pData[j]=pData[j]/4;    		}
 	}
 	
        /* 第三步,计算平均值。
 	   计算所有64个像素的灰度平均值。*/
 	int average = mean(img).val[0];
 	
        /* 第四步,比较像素的灰度。
 	 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*/
 	Mat mask= (img>=(uchar)average);
 	
        /* 第五步,计算哈希值。*/
 	int index = 0;
 	for(int i=0;i<mask.rows;i++)
 	{
 		pData = mask.ptr<uchar>(i);
 		for(int j=0;j<mask.cols;j++)
 		{
 			if(pData[j]==0)
 				rst[index++]='0';
 			else
 				rst[index++]='1';
 		}
 	}
 	return rst;
 }

 

3.pHash算法

//pHash算法
 string pHashValue(Mat &src)
 {
	 Mat img ,dst;
	 string rst(64,'\0');
	 double dIdex[64];
	 double mean = 0.0;
	 int k = 0;
	 if(src.channels()==3)
	 {
		 cvtColor(src,src,CV_BGR2GRAY);
		 img = Mat_<double>(src);
	 }	 
	 else
	 {
		 img = Mat_<double>(src);
	 }     
	 
        /* 第一步,缩放尺寸*/
	 resize(img, img, Size(8,8));
        
        /* 第二步,离散余弦变换,DCT系数求取*/
	 dct(img, dst);	

        /* 第三步,求取DCT系数均值(左上角8*8区块的DCT系数)*/
	 for (int i = 0; i < 8; ++i) {
		 for (int j = 0; j < 8; ++j) 
		 {
			 dIdex[k] = dst.at<double>(i, j);
			 mean += dst.at<double>(i, j)/64;
			 ++k;
		 }
	 }
        
        /* 第四步,计算哈希值。*/
	 for (int i =0;i<64;++i)
	 {
		 if (dIdex[i]>=mean)
		 {
			 rst[i]='1';
		 }
		 else
		 {
			 rst[i]='0';
		 }
	 }
	 return rst;
 }

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:

//汉明距离计算
 int HanmingDistance(string &str1,string &str2)
 {
 	if((str1.size()!=64)||(str2.size()!=64))
 		return -1;
 	int difference = 0;
 	for(int i=0;i<64;i++)
 	{
 		if(str1[i]!=str2[i])
 			difference++;
 	}
 	return difference;
 }

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

©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页