图片相似度识别在线_图片相似度识别：dHash算法

原文链接：图片相似度识别：dHash算法

微信公众号：机器学习养成记 搜索添加微信公众号：chenchenwings

---

之前已经介绍了aHash算法的基本原理及python实现代码（ 戳：图片相似度识别：aHash算法），本次来继续介绍图片相似度识别的另一常用哈希算法——dHash。

dHash算法

aHash中文叫差异哈希算法，在对图片进行哈希转换时，通过左右两个像素大小的比较，得到最终哈希序列。

• 基本原理：

缩小尺寸。将图片缩小为9*8大小，此时照片有72个像素点。

灰度化处理。

计算差异值，获得最后哈希值（与aHash主要区别处）。比较每行左右两个像素，如果左边的像素比右边的更亮（左边像素值大于右边像素值），则记录为1，否则为0。因为每行有9个像素，左右两个依次比较可得出8个值，所以8行像素共可以得出64个值，因此此时哈希值为长度是64的0-1序列。

图片配对，计算汉明距离。

Python实现

本例中依然计算以下两张图片的相似度：

（image1）

（image2）

• 完整算法

from PIL import Image
import os
import numpy as np
import time

#差异哈希算法
def dHash(image):
    image_new=image
    #计算均值
    avreage = np.mean(image_new) 
    hash=[]
    #每行前一个像素大于后一个像素为1，相反为0，生成哈希
    for i in range(8):
        for j in range(8):
            if image[i,j]>image[i,j+1]:
                hash.append(1)
            else:
                hash.append(0)
    return hash

#计算汉明距离
def Hamming_distance(hash1,hash2): 
    num = 0
    for index in range(len(hash1)): 
        if hash1[index] != hash2[index]: 
            num += 1
    return num

if __name__ == "__main__":
    image1 = Image.open('image1.png')
    image2 = Image.open('image2.png')
    #缩小尺寸并灰度化
    start = time.time()
    image1=np.array(image1.resize((9, 8), Image.ANTIALIAS).convert('L'), 'f')
    image2=np.array(image2.resize((9, 8), Image.ANTIALIAS).convert('L'), 'f')
    hash1 = dHash(image1)
    hash2 = dHash(image2)
    dist = Hamming_distance(hash1, hash2)
    end = time.time()
    #将距离转化为相似度
    similarity = 1 - dist * 1.0 / 64 
    print('dist is '+'%d' % dist)
    print('similarity is ' +'%d' % similarity)
    print('time is  '+ '%f'%(end-start))

最终结果：

优缺点

优点：速度快，判断效果比aHash好

---

推荐文章

·Bagging算法(R语言)

·静态爬虫与地址经纬度转换(python)

·特征工程(一):前向逐步回归(R语言)

·聚类(三):KNN算法(R语言)

·小案例(六)：预测小偷行为（python）

·ggplot2:正负区分条形图及美化

扫描二维码，关注我们。

如需转载，请在开篇显著位置注明作者和出处，并在文末放置机器学习养成记二维码和添加原文链接。

快来关注我们吧！