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:
![0bab1050c48e42622a1fb1fe3144e108.png](https://img-blog.csdnimg.cn/img_convert/0bab1050c48e42622a1fb1fe3144e108.png)
![76c14c3a95b81c1416edfa4a98f8cfa1.png](https://img-blog.csdnimg.cn/img_convert/76c14c3a95b81c1416edfa4a98f8cfa1.png)
- 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:
![76bc789a405ae703eab44fe390a285f3.png](https://img-blog.csdnimg.cn/img_convert/76bc789a405ae703eab44fe390a285f3.png)
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
![4fdce9e78db4fae6e008d9fd2b67a0c5.png](https://img-blog.csdnimg.cn/img_convert/4fdce9e78db4fae6e008d9fd2b67a0c5.png)
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!
![ebc036f3a055ff9d2eb4b48454d70d6d.png](https://img-blog.csdnimg.cn/img_convert/ebc036f3a055ff9d2eb4b48454d70d6d.png)