Hash Method

Hash Method

HASH_METHOD = {

‘phash’: PHash,

‘dhash’: DHash,

‘whash’: WHash,

‘ahash’: AHash

}

Phash

pHash（Perceptual Hash）是一种感知哈希算法，用于通过分析图像的内容生成一个指纹（哈希值），这个指纹可以用来比较图像之间的相似性。不同于传统的加密哈希算法（如MD5或SHA），感知哈希关注的是内容的相似性，而不是内容的精确匹配。因此，即使图像经过了一些轻微的修改，如缩放、旋转或亮度调整，它们的pHash值仍然会非常接近。

pHash的计算过程主要包括以下几个步骤：

1. 缩小图像尺寸：将图像缩小到一个标准大小（通常为32x32像素）。这一步骤有助于减少计算量，并保留图像的主要特征。

2. 灰度化处理：将图像转换为灰度图像，以消除颜色信息的干扰，专注于图像的亮度模式。

3. 离散余弦变换（DCT）：应用DCT，将图像从空间域转换到频率域。在频率域中，图像的信息被表示为一系列频率系数，其中低频部分包含了图像的主要视觉信息。pHash算法通常只保留左上角的8x8矩阵，这部分矩阵主要包含图像的低频信息。

4. 计算哈希值：通过与DCT系数的中值比较，将低频矩阵中的每个值二值化（大于中值的设为1，小于中值的设为0），生成一个64位的二进制字符串，这就是图像的pHash值。

5. 比较哈希值：通过计算两个pHash值的汉明距离（即两个二进制字符串中不同位的数量），可以评估两幅图像的相似性。汉明距离越小，图像越相似。

• 参考

  • pHash在处理图像相似性检测、重复图像查找等方面非常有效，尤其适用于需要容忍轻微图像变化的场景

  • https://mlampros.github.io/OpenImageR/reference/dhash.html

  • https://cloudinary.com/blog/how_to_automatically_identify_similar_images_using_phash

  • Phash

Dhash

dHash（Difference Hash）是一种用于图像相似性检测的感知哈希算法。它通过比较图像中相邻像素的亮度差异来生成一个独特的指纹，适合快速检测图像的近似重复。

dHash的计算过程包括以下步骤：

1. 图像缩小：将图像缩小到一个固定尺寸，通常是9x8像素。这样可以保留图像的基本结构，并去除高频噪声。

2. 灰度化处理：将图像转换为灰度图像，消除颜色对亮度的影响，使算法专注于图像的结构信息。

3. 计算差异：对于每一行的像素，计算相邻像素之间的亮度差异。如果左边的像素亮度大于右边的像素，则记录为1，否则记录为0。通过这种方式生成64位的二进制字符串。

4. 生成哈希值：将上述64位二进制字符串组合成图像的dHash值。

5. 相似性比较：通过计算两个图像的dHash值之间的汉明距离（即两个哈希值中不同位的数量），可以判断它们的相似程度。距离越小，图像越相似。

• 参考

  • dHash算法因其速度快且实现简单，常用于检测近似重复的图像，例如检测同一图像的稍微裁剪或光照变化版本

  • https://github.com/benhoyt/dhash

  • https://github.com/Rayraegah/dhash

  • https://mlampros.github.io/OpenImageR/reference/dhash.html

Whash

WHash（Wavelet Hash）是一种利用小波变换进行图像哈希的算法，旨在通过提取图像的空间信息和低频信息来生成图像的唯一指纹。这种算法比其他感知哈希算法（如pHash）更鲁棒，特别是在图像存在空间信息变化时。

WHash的计算过程包括以下几个步骤：

1. 图像预处理：首先，将图像缩放到一个固定的尺寸，并转换为灰度图像。这样可以减少计算复杂度并消除颜色信息对结果的影响。

2. 小波变换：对灰度图像应用小波变换（通常使用Haar小波），将图像分解为不同的频带。小波变换将图像分解为低频信息（表示大致的形状）和高频信息（表示边缘和细节）。

3. 选择低频信息：从小波变换结果中提取低频信息，这部分信息保留了图像的整体结构。

4. 二值化处理：将提取的低频信息进行二值化处理。具体来说，通过计算低频信息的中值，然后将图像中每个像素的值与中值进行比较，生成一个二进制的哈希值。

• 参考

  • WHash通过这种方法生成的哈希值可以用于图像的相似性检测，尤其在需要考虑图像的空间变化时，WHash表现得更加鲁棒

  • https://www.cnblogs.com/ERKE/p/14124309.html

  • https://www.lmlphp.com/user/16511/article/item/460190/

  • https://blog.csdn.net/ERKELIU/article/details/111056167

Ahash

aHash，或称为平均哈希（Average Hash），是一种简单但有效的图像感知哈希算法，主要用于检测图像的相似性。与其他感知哈希算法相比，aHash通过比较图像的平均亮度生成一个二进制哈希值，是判断两幅图像是否相似的基础方法之一。

aHash的计算过程如下：

1. 缩小图像尺寸：首先将图像缩小到一个固定的小尺寸，通常是8x8像素。这一步骤的目的是去除图像的细节，仅保留其整体结构和亮度信息。

2. 灰度化处理：将缩小后的图像转换为灰度图像，消除颜色信息的影响，只关注图像的亮度。

3. 计算平均值：计算灰度图像中所有像素的平均亮度值。

4. 生成哈希值：通过将每个像素的亮度与平均值进行比较，大于或等于平均值的像素被标记为1，小于平均值的标记为0。这样生成一个64位的二进制哈希值。

5. 比较哈希值：通过计算两个图像的哈希值之间的汉明距离，可以判断它们的相似性。汉明距离越小，表示图像越相似。

• 参考

  • 这种算法非常适合快速检测图像是否相似，特别是在处理缩略图或在计算资源有限的情况下

  • https://amethyst.github.io/specs/docs/api/ahash/index.html