相似图片搜索原理二(phash—c++实现)

最新推荐文章于 2023-03-31 15:10:51 发布
最新推荐文章于 2023-03-31 15:10:51 发布
阅读量8.3k 收藏 16
点赞数 1
分类专栏： 图像处理 文章标签： 图像检索 感知hash
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lu597203933/article/details/45798293
版权

前段时间介绍过相似图片搜索原理一(ahash) http://blog.csdn.net/lu597203933/article/details/45101859，它是基于内容检索最简单的一种；这里介绍它的增强版本感知哈希算法(perceptual hash, phash)。它主要也是用缩略图搜原图并能达到较好点的效果.

理论部分：

理论部分主要包括以下几个步骤：

<1> 图像缩放—将图像缩放到32*32大小

<2>灰度化—对32*32大小的图像进行灰度化

<3>离散余弦变换(DCT)—对32*32大小图像进行DCT

<4>计算均值—用32*32大小图片前面8*8大小图片处理并计算这64个像素的均值

<4>得到8*8图像的phash—8*8的像素值中大于均值的则用1表示，小于的用0表示，这样就得到一个64位二进制码作为该图像的phash值。

<5>计算两幅图像ahash值的汉明距离，距离越小，表明两幅图像越相似；距离越大，表明两幅图像距离越大。

这样做能够避免伽马校正或者颜色直方图调整带来的影响。

更详细的理论可以参看：

1：http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html

2：http://blog.csdn.net/luoweifu/article/details/8220992包括java代码实现

 

下面我给出自己的c++代码实现：

<1>图像灰度化与缩放

      

        Mat img = imread("E:\\algorithmZack\\ImageSearch\\image\\person.jpg", 1);
	if(!img.data){
		cout << "the image is not exist" << endl;
		return 0;
	}
	int size = 32;  // 图片缩放后大小

	resize(img, img, Size(size,size));      // 缩放到32*32
	cvtColor(img, img, COLOR_BGR2GRAY);       // 灰度化

<2>DCT变换

/*
	功能：获取DCT系数
	n：矩阵大小
	quotient: 系数
	quotientT: 系数转置
*/
void coefficient(const int &n, double **quotient, double **quotientT){
	double sqr = 1.0/sqrt(n+0.0);
	for(int i = 0; i < n; i++){
		quotient[0][i] = sqr;
		quotientT[i][0] =  sqr;
	}

	for(int i = 1; i < n; i++){
		for(int j = 0; j < n; j++){
			quotient[i][j] = sqrt(2.0/n)*cos(i*(j+0.5)*PI/n);  // 由公式得到
			quotientT[j][i] = quotient[i][j];
		}
	}

}
/*
	功能：两矩阵相乘
	A和B：源输入矩阵
	result：输出矩阵
*/
void matrixMultiply(double **A, double **B, int n, double **result){  
	double t = 0;
	for(int i = 0; i < n; i++){
		for(int j = 0; j < n; j++){
			t = 0;
			for(int k = 0; k < n; k++)
				t += A[i][k]*B[k][j];   
			result[i][j] = t;
		}
	}
}


void DCT(Mat_<uchar> image, const int &n, double **iMatrix){
	for(int i = 0; i < n; i++){
		for(int j = 0; j < n; j++){
			iMatrix[i][j] = (double)image(i,j);
		}
	}

	// 为系数分配空间
	double **quotient = new double*[n];
	double **quotientT = new double*[n];
	double **tmp = new double*[n];
	for(int i = 0; i < n; i++){
		quotient[i] = new double[n];
		quotientT[i] = new double[n]; 
		tmp[i] = new double[n];
	}
	// 计算系数矩阵
	coefficient(n, quotient, quotientT);
	matrixMultiply(quotient, iMatrix, n, tmp);  // 由公式成绩结果
	matrixMultiply(tmp, quotientT, n, iMatrix);

	for(int i = 0; i < n; i++){
		delete []tmp[i];
		delete []quotient[i];
		delete []quotientT[i];
	}
	delete []tmp;
	delete []quotient;
	delete []quotientT;
}

<3>计算均值

// 计算8*8图像的平均灰度
float calcAverage(double **iMatrix, const int &size){
	float sum = 0;
	for(int i = 0 ; i < size; i++){
		for(int j = 0; j < size; j++){
			sum += iMatrix[i][j];
		}
	}
	return sum/(size*size);
}

<4>计算汉明距离

/* 计算hash值
	image:8*8的灰度图像
	size: 图像大小  8*8
	phash:存放64位hash值
	averagePix: 灰度值的平均值
*/
void fingerPrint(double **iMatrix, const int &size, bitset<hashLength> &phash, const float &averagePix){
	for(int i = 0; i < size; i++){
		int pos = i * size;
		for(int j = 0; j < size; j++){
			phash[pos+j] = iMatrix[i][j] >= averagePix ? 1:0;
		}
	}
}


完整源代码：

 

#include <iostream>
#include <bitset>
#include <string>
#include <iomanip>
#include <cmath>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>
#include <opencv2\core\core.hpp>

using namespace std;
using namespace cv;

#define PI 3.1415926
#define hashLength 64

/*
	功能：获取DCT系数
	n：矩阵大小
	quotient: 系数
	quotientT: 系数转置
*/
void coefficient(const int &n, double **quotient, double **quotientT){
	double sqr = 1.0/sqrt(n+0.0);
	for(int i = 0; i < n; i++){
		quotient[0][i] = sqr;
		quotientT[i][0] =  sqr;
	}

	for(int i = 1; i < n; i++){
		for(int j = 0; j < n; j++){
			quotient[i][j] = sqrt(2.0/n)*cos(i*(j+0.5)*PI/n);  // 由公式得到
			quotientT[j][i] = quotient[i][j];
		}
	}

}
/*
	功能：两矩阵相乘
	A和B：源输入矩阵
	result：输出矩阵
*/
void matrixMultiply(double **A, double **B, int n, double **result){  
	double t = 0;
	for(int i = 0; i < n; i++){
		for(int j = 0; j < n; j++){
			t = 0;
			for(int k = 0; k < n; k++)
				t += A[i][k]*B[k][j];   
			result[i][j] = t;
		}
	}
}


void DCT(Mat_<uchar> image, const int &n, double **iMatrix){
	for(int i = 0; i < n; i++){
		for(int j = 0; j < n; j++){
			iMatrix[i][j] = (double)image(i,j);
		}
	}

	// 为系数分配空间
	double **quotient = new double*[n];
	double **quotientT = new double*[n];
	double **tmp = new double*[n];
	for(int i = 0; i < n; i++){
		quotient[i] = new double[n];
		quotientT[i] = new double[n]; 
		tmp[i] = new double[n];
	}
	// 计算系数矩阵
	coefficient(n, quotient, quotientT);
	matrixMultiply(quotient, iMatrix, n, tmp);  // 由公式成绩结果
	matrixMultiply(tmp, quotientT, n, iMatrix);

	for(int i = 0; i < n; i++){
		delete []tmp[i];
		delete []quotient[i];
		delete []quotientT[i];
	}
	delete []tmp;
	delete []quotient;
	delete []quotientT;
}

// 计算8*8图像的平均灰度
float calcAverage(double **iMatrix, const int &size){
	float sum = 0;
	for(int i = 0 ; i < size; i++){
		for(int j = 0; j < size; j++){
			sum += iMatrix[i][j];
		}
	}
	return sum/(size*size);
}

/* 计算hash值
	image:8*8的灰度图像
	size: 图像大小  8*8
	phash:存放64位hash值
	averagePix: 灰度值的平均值
*/
void fingerPrint(double **iMatrix, const int &size, bitset<hashLength> &phash, const float &averagePix){
	for(int i = 0; i < size; i++){
		int pos = i * size;
		for(int j = 0; j < size; j++){
			phash[pos+j] = iMatrix[i][j] >= averagePix ? 1:0;
		}
	}
}

/*计算汉明距离*/
int hammingDistance(const bitset<hashLength> &query, const bitset<hashLength> &target){
	int distance = 0;
	for(int i = 0; i < hashLength; i++){
		distance += (query[i] == target[i] ? 0 : 1);
	}
	return distance;
}

string bitTohex(const bitset<hashLength> &target){
	string str;
	for(int i = 0; i < hashLength; i=i+4){
		int sum = 0;
		string s;
		sum += target[i] + (target[i+1]<<1) + (target[i+2]<<2) + (target[i+3]<<3);
		stringstream ss;
		ss << hex <<sum;    // 以十六进制保存
		ss >> s;
		str += s;
	}
	return str;
}





int main(){
	Mat img = imread("E:\\algorithmZack\\ImageSearch\\image\\person.jpg", 1);
	if(!img.data){
		cout << "the image is not exist" << endl;
		return 0;
	}
	int size = 32;  // 图片缩放后大小

	resize(img, img, Size(size,size));      // 缩放到32*32
	cvtColor(img, img, COLOR_BGR2GRAY);       // 灰度化

	double **iMatrix = new double*[size];
	for(int i = 0; i < size; i++)
		iMatrix[i] = new double[size];
	DCT(img, size, iMatrix);   // 离散余弦变换
	float averagePix = calcAverage(iMatrix, 8);
	cout << averagePix << endl;
	bitset<hashLength> phash;
	fingerPrint(iMatrix, 8, phash, averagePix);

	//cout << phash << endl;
	string str = bitTohex(phash);
	cout << str << endl;
	/*namedWindow("img");
	imshow("img", img);
	waitKey(0);*/
	

	string img_dir = "E:\\algorithmZack\\ImageSearch\\image\\";
	for(int i = 1; i <= 11; i++){
		string pos;
		stringstream ss;
		ss << i;
		ss >> pos;
		string img_name = img_dir + "person" + pos +".jpg"; 
		Mat target = imread(img_name, 1);
		if(!target.data){
			cout << "the target image" << img_name << " is not exist" << endl;
			continue;
		}
		resize(target, target, Size(size,size));
		cvtColor(target, target, COLOR_BGR2GRAY);
		DCT(target, size, iMatrix);

		float averagePix2 = calcAverage(iMatrix, 8);
		bitset<hashLength> phash2;
		fingerPrint(iMatrix, 8, phash2, averagePix2);

		//cout << averagePix2 << endl;
		int distance = hammingDistance(phash, phash2);      // 计算汉明距离
		cout <<"【" << i <<"-" <<  distance << "】 ";
	}
	cout << endl;
	for(int i = 0; i < size; i++)
		delete []iMatrix[i];
	delete []iMatrix;

	return 0;
}

测试图片为：


结果为：


其中【i-j】， i代表personi， j代表personi与person的汉明距离。并由结果可见phash对于图片的旋转肯定是无能为力的。

说明：完整的工程文件等着几篇常规图像检索方法写完后再上传，请关注！

参考文献：

1：http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html英文原始资料

2：http://blog.csdn.net/luoweifu/article/details/8220992包括java代码实现

小村长
关注
  • 1
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
高效 C++ 屏幕找图 屏幕搜索 透明找图
07-04
高效 C++ 屏幕找图 屏幕搜索 透明找图
c++图像检索（coarse to fine）
weixin_30423977的博客
11-09 367
//SLAM 相关,需要用到，于是写了一个...这里只实现了course==，不过想达到fine，也是分分钟可以实现的，哈哈 1 #include <opencv2/core/core.hpp> 2 #include <opencv2/imgproc/imgproc.hpp> 3 #include <opencv2/highgu...
C++遍历文件夹，查找出图像文件
Never too late to study
01-18 1573
[cpp:showcolumns] view plaincopy ·········10········20········30········40········50········60········70········80········90········100·······110·······120·······130·······140·······150
图形相似度比较（图形检索）学习笔记——pHash算法（图像感知算法）
热门推荐
FUNCO_小风
03-20 1万+
问题来源 有一活动，临摹油画，然后拍照上传。判断与原画的相似度，相似度越高，分数就越高。 作为技术男，看到这个，第一反应当然是思考怎么实现这一功能啦。由于玩过opencv，所以第一反应是利用opencv的sift获取特征点集合，然后比较特征点集合，但是如何比较特征点集合一致就成了问题，一致找不到比较好的方法，后来在网上查了一下，发现比较图案的方法还不少。 ...
图片相似度计算 1----（ahash--c++实现）
weixin_41009689的博客
06-07 1497
最近接触到图像去重算法，有phash、dhash和ahash等基于哈希方法的去重算法。 phash全称是感知哈希算法（Perceptual hash algorithm），使用这玩意儿可以对每个图片生成一个值，然后计算他们的hamming distance，简单的说就是数一数二进制之后有几位不同。整个处理流程有点像对文章去重时先算simhash再算hamming distance，很多东西都可以直接套用过来。 首先介绍ahash算法（全称average hash）是phash算法的一种，是基于图像内容搜.
如何对比两张图片的相似程度C++
k1419197516的博客
03-31 1929
直方图比较（Histogram Comparison）：将每张图片的RGB颜色值转化为直方图，然后使用某种距离度量方法（如欧几里得距离或汉明距离）计算两张图片的直方图之间的距离，衡量它们之间的相似度。结构相似度指数（Structural Similarity Index，SSIM）：通过比较两张图片的亮度、对比度和结构特征，给出它们之间的结构相似度指数。感知哈希算法（Perceptual Hashing）：将图片转化为哈希值，然后比较两个哈希值的差异度量它们之间的相似度。以上方法都可以使用C++编写实现。
感知哈希算法：pHash算法实现图像相似度比较（附完整c++代码）
huhuhuhu0908的博客
04-08 6626
数字内容安全课实验 感知哈希算法 在浏览器的图片搜索中，用户可以上传一张图片，浏览器显示因特网中与此图片相同或者相似的图，实现这种功能的关键技术叫做"感知哈希算法"(Perceptual Hash Algorithm), 意思是为图片生成一个指纹(字符串格式), 两张图片的指纹越相似, 说明两张图片就越相似。感知哈希算法是一类算法的总称，包括 aHash：平均值哈希 pHash：感知哈希 dHa...
PHP实现搜索相似图片
10-23
感知哈希的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。
c++ opencv 提前图片的特征值 pHash值
01-10
C++源代码，包含提取图片特征值和计算pHash值。 此文件包含提取特征值得函数 实际过程中在用的，头文件自行包含一下，即可使用。
Unity C#使用pHash算法实现图片相似度计算，判断俩张图片是否相似PicSimilar.zip
06-02
Unity C#使用pHash算法实现图片相似度计算（判断俩张图片是否相似）。
图片相似度比较源代码
12-14
计算机视觉中图片相似度比较源代码，四种比较方法对比，源代码
C++两个图片相似度比较
08-07
Win32 API to compare two images(.gif,.jpg,.bmp)
图片搜索图片，基于php实现的图片相似搜索类，优化了感知算法(hash)不准确的问题
09-05
虽然均值哈希更简单且更快速，但是在比较上更死板、僵硬。...一个更健壮的算法叫pHash，(我使用的是自己改进后的算法，但概念是一样的) pHash的做法是将均值的方法发挥到极致。使用离散余弦变换(DCT)降低频率。
opencv3/C++ PHash算法图像检索详解
08-25
今天小编就为大家分享一篇opencv3/C++ PHash算法图像检索详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
相似图片搜索原理一(ahash—c++实现)
小村长技术blog
04-17 8750
ahash，全称叫做average hash,应该是phash(perceptual hash, 感知哈希)算法的一种。是基于图像内容搜索最简单的一种(search image by image)，因此也有很多的局限性。主要用于由图像的缩略图搜原图，对于图像的旋转、平移、对比度和微变形等都无能为力，所以很局限。此次讲解主要分为两个部分，理论部分主要参考是网上的资料，最核心的应该是自己的c++代
相似图片搜索原理三(颜色直方图—c++实现)
小村长技术blog
05-17 6204
图像的颜色直方图可以用于图像检索，适应有相同色彩，并且可以有平移、缩放、旋转不变性的图像检索，当然了这三大特点不如sift或者surf稳定性强，此外最大的局限就是如果形状内容一样，但色彩不一，结果是搜不到的。不过它在某些情况下达到较好的结果。 颜色直方图两种计算方式： 彩色图像的颜色直方图，这里可以有两种处理方式，得到的效果应该差不多。        首先第一种就是对像素的每个通道都进行划分
离散余弦变换(C++实现)
小村长技术blog
04-17 5730
理论部分转载自这篇blog: http://blog.csdn.net/luoweifu/article/details/8214959  该blog给出的是java代码，我用c++将其实现了。 理论： 图像处理中常用的正交变换除了傅里叶变换外，还有其他一些有用的正交变换,其中离散余弦就是一种。离散余弦变换表示为DCT( Discrete Cosine Transformation)，
软2一月考勤表-20230917-075457.xlsx
最新发布
04-29
软2一月考勤表-20230917-075457.xlsx
使用java-pHash实现图片相似算法
05-27
好的，您想要使用java-pHash来实现图片相似算法，我可以帮您介绍一下具体的步骤。 首先需要安装java-pHash库，可以通过Maven或Gradle等工具进行安装。安装完成后，可以使用以下代码来计算图片的pHash值： ```java String filePath = "your_image_path"; int hashLength = 64; String hash = PHash.imageHash(filePath, hashLength); ``` 接下来，可以将计算出的pHash值与其他图片的pHash值进行比较，来判断这些图片之间的相似度。可以使用以下代码来比较两张图片的pHash值： ```java String hash1 = "pHash_value_of_image1"; String hash2 = "pHash_value_of_image2"; double similarity = PHash.hammingDistance(hash1, hash2); ``` 其中，similarity的值越小，表示两张图片之间的相似度越高。 需要注意的是，pHash算法虽然可以用于计算图片的相似度，但是并不是绝对准确的。在实际应用中，还需要考虑其他因素，如图片的大小、颜色等，来综合判断图片之间的相似度。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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