感知哈希算法--python实现

本文介绍了感知哈希算法的原理,包括ahash、phash和dhash,并提供了Python实现。通过实验发现,虽然phash在效果上较好,但速度较慢,适合图像搜索,而均值哈希和差值哈希在跟踪算法中速度较快。
摘要由CSDN通过智能技术生成

    最近在看运动目标跟踪方面的资料,偶然间看到zouxy09大神的一篇《基于感知哈希算法的视觉跟踪》,觉得挺有意思的。于是去查了相关的感知哈希的资料,发现在图片搜索领域里面应用非常广泛,这种技术我觉得有点像模板匹配,其核心在于:通过指纹的相似度来搜索最相似的图片。

    基于zouxy09大神的c++程序改写了一个python版本,并且增加了差值哈希的实现。

——————————————————————————————————————————

一、算法原理及过程

1.ahash算法

    在向下采样的过程中,只保留图像的低频信息。

    工作过程:

    ①缩小尺寸,简化色彩:8*8灰度

    ②计算灰度均值:64个灰度值的平均

    ③生成哈希码:将64个灰度值与上一步生成的平均值进行比较。比均值大,则置1;比均值小,则置0。从而得到一个包含64个元素的“指纹”。

    ④计算汉明距离:将两个“指纹”进行比较,计算它们的汉明距离。(==0):非常相似;(<5): 相似; (>10): 不同


2.phash算法

    均值哈希虽然简单,但是受均值影响大。如果对图像进行伽马校正或者进行直方图均值化都会影响均值,从而影响哈希值的计算。所以就有人提出更健壮的方法,通过离散余弦(DCT)进行低频提取。

    离散余弦变换(DCT)是种图像压缩算法,它将图像从像素域变换到频率域。然后一般图像都存在很多冗余和相关性的,所以转换到频率域之后,只有很少的一部分频率分量的系数才不为0,大部分系数都为0(或者说接近于0)。下图的右图是对lena图进行离散余弦变换(DCT)得到的系数矩阵图。从左上角依次到右下角,频率越来越高,由图可以看到,左上角的值比较大,到右下角的

感知哈希算法(Perceptual Hash Algorithm,简称PHash)是一种用于图片相似度比较的算法,通过对图像进行降维处理,将图像转化为一个唯一的hash值,然后通过计算hash值的差异度来判断图像的相似程度。下面是用Python实现PHash算法的步骤: 1. 图像预处理:首先,将图像转为灰度图像,这样可以减少计算复杂度。使用Python的PIL库可以方便地实现这一步骤。 2. 图像缩放:为了降低计算复杂度,将图像缩小到一个固定的大小,如8x8像素。这一步骤也可以使用PIL库来实现。 3. 离散余弦变换(Discrete Cosine Transform,简称DCT):对缩小后的图像进行DCT变换,得到频域信息。可以使用Python的numpy库中的dct函数来计算DCT。 4. 量化:将DCT系数量化,得到一个8x8的二进制矩阵,其中大于平均值为1,小于平均值为0。 5. 生成hash值:将量化后的二进制矩阵转为一个唯一的hash值。可以将矩阵展平,并将每个元素按顺序拼接成一个长字符串,然后使用Python的hash函数计算出一个hash值。 通过上述步骤,就可以实现PHash算法。使用Python中的PIL库和numpy库可以方便地进行图像处理和计算操作。具体实现的代码可以参考以下示例: ```python from PIL import Image import numpy as np def perceptual_hash(image_path): # 图像预处理 image = Image.open(image_path).convert('L') # 图像缩放 image = image.resize((8, 8), Image.ANTIALIAS) # 离散余弦变换 dct_coeffs = np.asarray(image, dtype=float) dct_coeffs = np.round(dct_coeffs) - 128 dct_coeffs = np.fft.dct(dct_coeffs) dct_coeffs = dct_coeffs[:8, :8] # 量化 avg = np.mean(dct_coeffs) hash_value = np.where(dct_coeffs > avg, 1, 0) # 生成hash值 hash_value = hash_value.flatten().tolist() hash_value = ''.join(map(str, hash_value)) hash_value = hash(hash_value) return hash_value # 使用示例 image1_path = 'image1.jpg' image2_path = 'image2.jpg' hash1 = perceptual_hash(image1_path) hash2 = perceptual_hash(image2_path) print("Image1 hash value:", hash1) print("Image2 hash value:", hash2) ``` 以上代码中的`image1.jpg`和`image2.jpg`分别为待比较的两张图片,根据输出的hash值可以判断两张图片的相似性。如果hash值越接近,则表示图片越相似。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值