TinEye是如何工作的呢?这里面也许有十分复杂的原理。不过从结果看来,它使用了一种叫做“感知哈希算法(以下简称PHA)”的东西。
PHA是一类比较哈希方法的统称。图片所包含的特征被用来生成一组指纹(不过它不是唯一的),而这些指纹是可以进行比较的。
PHA与加密哈希方法(以下简称CHA),如MD5、SHA1等,是不同的概念。CHA的哈希值是随机的。用来生成哈希的数据的行为就像随机种子,所以相同的数据产生相同的结果,反之亦然。读者可以如下做ruby测试:
require 'digest/sha2'
......
#生成加密后的散列值
def self.encrypt(string)
return Digest::SHA256.hexdigest(string)
end
我对这方面未做深层研究,如有错误,不吝赐教。此文的重点不是CHA,恕草草带过。
如果想要深入理解下文内容的话,不妨读读我在ftp里的fourier相关文档,会有所收获。当然,不读也不会造成大的影响。(ftp具体在文末有提及)
对于图片来说,高频得到细节,低频得到轮廓。所以小图缺少细节,是低频的。我先叙述一个阮一峰先生提及的最简单PHA,在此表示感谢。大家可一睹为快。
第一步,缩小尺寸。
最快速的去除高频和细节,只保留结构明暗的方法就是缩小尺寸。
将图片缩小到8x8的尺寸,总共64个像素。摒弃不同尺寸、比例带来的图片差异。
第二步,简化色彩。
将缩小后的图片,转为64级灰度。也就是说,所有像素点总共只有64种颜色。
第三步,计算平均值。
计算所有64个像素的灰度平均值。
第四步,比较像素的灰度。
算法的精髓,简单、有趣,又充满深意。
将每个像素的灰度,与平均值进行比较。大于或等于平均值,记为1;小于平均值,记为0。
第五步,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位的整数,这就是这张图片的指纹。组合的次序并不重要,只要保证所有图片都采用同样次序就行了(例如,自左到右、自顶向下、big-endian)。
![感知哈希算法浅析 感知哈希算法浅析](https://i-blog.csdnimg.cn/blog_migrate/7d743247c30416016bf31ca239dcb870.jpeg)
= 8f373714acfcf4d0
得到指纹以后,就可以对比不同的图片,看看64位中有多少位是不一样的。在理论上,这等同于计算Hammingdistance)。如果不相同的数据位不超过5,就说明两张图片很相似;如果大于10,就说明这是两张不同的图片。
这个算法非常好,无论你改变图片的高宽、亮度甚至颜色,都不会改变哈希值。最关键的是速度极快!cool!
我在ftp里放了这个算法的python版本(使用了PIL库),如果读者会ruby的话,不妨使用RMagick库,同样强大(文档:http://www.imagemagick.org/RMagick/doc/项目:http://rubyforge.org/projects/rmagick/)
有没有更好的方法来判断相似度呢?有,pHash。这种方法稍复杂写,运用了DCT来降低频度,比起平均值方法更精确了。DCT参见http://en.wikipedia.org/wiki/Discrete_cosine_transform
下面来看它的过程。
第一步,缩小尺寸。
与平均值方法类似,不过要比8X8大些,32X32是个好尺寸,这样做是为了简化DCT的计算,而不是降频。
第二步,简化色彩。
改成灰度图,也是为了减少DCT计算量。
第三步,计算DCT。
DCT将图片分成了频度和纯量的集合。当JPEG使用8X8的DCT时,算法就使用32X32的DCT。
第四步,降低DCT。
当DCT是32X32时,只保留顶左的8X8,这部分代表了图片的最低频。这是神奇的一步。
第五步,计算平均值。
只用8X8的DCT低频值,因为DC系数和其他值相差很大,会破坏平均值。
第六步,进一步缩小DCT
将每个像素的灰度(64比特),与平均值进行比较。大于或等于平均值,记为1;小于平均值,记为0。图片结构不变,结果就不会变。这完成了关键的一步。
第七步,构造哈希。
将上一步的比较结果,组合在一起,就构成了一个64位的整数,这就是这张图片的指纹。组合的次序并不重要,只要保证所有图片都采用同样次序就行了。
![感知哈希算法浅析 感知哈希算法浅析](https://i-blog.csdnimg.cn/blog_migrate/f2759967574570a7c8e70830ad88a8a3.jpeg)
= 8a0303f6df3ec8cd
看上去很随机的blob,其实仔细看容易发现,黑点是头部轮廓和原图右边背景的垂直线。