感知哈希算法——Python实现

最新推荐文章于 2024-08-07 08:26:05 发布
最新推荐文章于 2024-08-07 08:26:05 发布
阅读量6.1k 收藏 23
点赞数 2
分类专栏： 图像处理相关 文章标签： 感知哈希算法 python 匹配
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/m_buddy/article/details/78887248
版权
本文介绍了一种用于图像匹配的感知哈希算法。通过将图像缩放、转为灰度、比较像素灰度与平均值来生成64位指纹，以此判断图像相似性。在Python中实现后，结果显示在某些情况下匹配效果不尽如人意，可能是由于特征抽取的局限导致。
摘要由CSDN通过智能技术生成

1. 前言

现在手中只有一张图像需要在一个集合中去找到与之最相近的那一张，这个过程实际是一个匹配的过程，特别是在多模态医学图像中解决这样的问题是比较迫切的，今年试验了一种广泛使用的算法——感知哈希算法！具体的实验结果将在下文中给出。

2. 算法原理

step1：缩小图片尺寸
将图片缩小到8x8的尺寸, 总共64个像素. 这一步的作用是去除各种图片尺寸和图片比例的差异, 只保留结构、明暗等基本信息。
这里写图片描述
step2：转为灰度图片
将缩小后的图片, 转为64级灰度图片。
这里写图片描述
step3：计算灰度平均值
计算图片中所有像素的灰度平均值
step4：比较像素的灰度
将每个像素的灰度与平均值进行比较, 如果大于或等于平均值记为1, 小于平均值记为0。
step5：计算哈希值
将上一步的比较结果, 组合在一起, 就构成了一个64位的二进制整数, 这就是这张图片的指纹。
step6：对比图片指纹
得到图片的指纹后, 就可以对比不同的图片的指纹, 计算出64位中有多少位是不一样的. 如果不相同的数据位数不超过5, 就说明两张图片很相似, 如果大于10, 说明它们是两张不同的图片。

3. Python实现

# -*- coding=utf-8 -*-
import numpy as np
from PIL import I
最低0.47元/天 解锁文章
m_buddy
关注
专栏目录
Python:实现感知哈希算法(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
01-31 253
Python:实现感知哈希算法(附完整源码)
感知哈希算法(Python版)
04-20
Python3实现基于PHA实现图像配准
感知哈希算法——Python实现【转】
weixin_30919571的博客
09-05 143
转自：https://blog.csdn.net/m_buddy/article/details/78887248 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/m_buddy/article/details/788872481. 前言现在手中只有一张图像需要在一个集合中去找...
python 实现感知哈希算法
最新发布
luthane的博客
08-07 294
感知哈希算法（Perceptual Hash Algorithm，简称PHA）是哈希算法的一类，主要用于相似图片的搜索工作。PHA通过提取图片中的特征来生成一组指纹（虽然不是唯一的），这些指纹可以进行比较。具体来说，算法会将比较结果组合成一个64位的整数，作为图片的指纹。指纹的生成次序并不重要，只要保证所有图片都采用同样的次序即可（例如，自左到右、自顶向下、big-endian）。在得到指纹后，可以对比不同的图片，看看64位中有多少位是不一样的。
Python实现感知哈希算法（pHash）
weixin_42872907的博客
08-31 4707
感知哈希算法步骤： 1、设置图片大小：一般是32 * 32，一个较好的大小，方便DCT计算； 2、转化为灰度图：把缩放后的图片转化为256阶的灰度图； 3、计算DCT: DCT把图片分离成分率的集合； 4、DCT计算后的矩阵是32 * 32，保留左上角的8 * 8，这些代表的图片的最低频率； 5、计算平均值：计算缩小DCT后的所有像素点的平均值； 6、计算图片哈希值，大于平均值记录为1，反之记录为0，得到信息指纹，组合64个信息位，顺序随意保持一致性； 7、最后比对两张图片的指纹，对比汉明距离从而比较图片相
python---感知哈希算法
你说是就是吧
11-13 2516
某些情况下，我们需要检测图片之间的相似性，比较简单、易用的解决方案是采用感知哈希算法 感知哈希算法是一类算法的总称，包括aHash、pHash、dHash。顾名思义，感知哈希不是以严格的方式计算Hash值，而是以更加相对的方式计算哈希值，因为“相似”与否，就是一种相对的判定。 aHash：平均值哈希。速度比较快，但是常常不太精确 pHash：感知哈希。精确度比较高，但是速度方面较差一些 dHas...
哈希算法python_感知哈希算法——Python实现【转】
weixin_39765588的博客
12-08 370
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/m_buddy/article/details/788872481. 前言现在手中只有一张图像需要在一个集合中去找到与之最相近的那一张，这个过程实际是一个匹配的过程，特别是在多模态医学图像中解决这样的问题是比较迫切的，今年试验了一种广泛使用的...
感知哈希算法--python实现
insthink的博客
05-10 8951
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。 至于为什么可以实现跟踪，因为
Python-imagehash使用Python编写感知图像哈希模块
08-10
imagehash：使用Python编写感知图像哈希模块。可用于查找相似的图片。
python 相似图片 dhash_相似图片检测：感知哈希算法之dHash的Python实现
weixin_29082143的博客
03-01 490
某些情况下，我们需要检测图片之间的相似性，进行我们需要的处理：删除同一张图片、标记盗版等。如何判断是同一张图片呢？最简单的方法是使用加密哈希(例如MD5, SHA-1)判断。但是局限性非常大。例如一个txt文档，其MD5值是根据这个txt的二进制数据计算的，如果是这个txt文档的完全复制版，那他们的MD5值是完全相同的。但是，一旦改变副本的内容，哪怕只是副本的缩进格式，其MD5也会天差地别。因此加...
python：实现感知哈希算法(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
12-28 218
python：实现感知哈希算法(附完整源码)
感知哈希算法 python 3.4
weixin_30824277的博客
07-29 142
#!/usr/bin/python # -*- coding: UTF-8 -*- #Less than 10 add to list and sort import glob import os import sys from functools import reduce from PIL import Image EXTS = 'jpg', '...
相似图片检测：感知哈希算法之dHash的Python实现
热门推荐
常思考->有目标->重实践->善反思
10-09 1万+
某些情况下，我们需要检测图片之间的相似性，进行我们需要的处理：删除同一张图片、标记盗版等。 如何判断是同一张图片呢？最简单的方法是使用加密哈希（例如MD5, SHA-1）判断。但是局限性非常大。例如一个txt文档，其MD5值是根据这个txt的二进制数据计算的，如果是这个txt文档的完全复制版，那他们的MD5值是完全相同的。但是，一旦改变副本的内容，哪怕只是副本的缩进格式，其MD5也会天差地别。因
基于感知哈希算法的视觉目标跟踪
modabobo
12-21 462
基于感知哈希算法的视觉目标跟踪 zouxy09@qq.com http://blog.csdn.net/zouxy09 偶然看到这三篇博文[1][2][3]，提到图片检索网站TinEye和谷歌的相似图片搜索引擎的技术原理。以图搜图搜索引擎的使命是：你上传一张图片，然后他们尽全力帮你把互联网上所有与它相似的图片搜索出来。当然了，这只是他们认为的相似，所以有时候搜索结果也不一定对。事实上，以图...
感知哈希算法原理与实现
weixin_30423977的博客
03-27 540
今天忽然想做一个图像识别的APP，但是在两张图片相似度的问题上产生了问题，感知哈希算法并不能解决这个问题，只是我在试着解决问题的过程中学到的一点知识。 这里的关键技术叫做”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。 ...
python实现感知哈希算法
08-13
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

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