相似性相关pHash和simhash

pHash跟simhash很多相近的地方。一个是较多用于图像，一个较多用于文本。

---

 

一、pHash跟simhash

1、simhash

google的simhash算法可以用来衡量原始文档的相似程度。如何判断呢？很简单，就是求2个文档的simhash的距离（即二进制数字中不相同的位的个数）。

Simhash的算法简单的来说就是，从海量文本中快速搜索和已知simhash相差小于k位的simhash集合，这里每个文本都可以用一个simhash值来代表，一个simhash有64bit，相似的文本，64bit也相似，论文中k的经验值为3。 
该方法的缺点如优点一样明显，主要有两点， 
对于短文本，k值很敏感； 
另一个是由于算法是以空间换时间，系统内存吃不消。 
 
.

2、感知哈希算法(pHash)
平均哈希算法过于严格，不够精确，更适合搜索缩略图，为了获得更精确的结果可以选择感知哈希算法，它采用的是DCT（离散余弦变换）来降低频率的方法

一般步骤：

• 缩小图片：32 * 32是一个较好的大小，这样方便DCT计算
<