dHash - 图像相似度算法

[junxnone]

• aHash：平均值哈希。速度比较快，但是常常不太精确。
• dHash：差异值哈希。精确度较高，且速度也非常快。
• pHash：感知哈希。精确度比较高，但是速度方面较差一些。

Reference

• [ ] OpenCV—python 图像相似度算法（dHash,方差）
• [ ] 相似图片检测：感知哈希算法之aHash,dHash,pHash的Python实现
• [ ] 感知哈希 ，平均哈希，差异值哈希

aHash

• 缩小尺寸：将图像缩小到8*8的尺寸，总共64个像素。去除图像的细节，只保留结构/明暗等基本信息，摒弃不同尺寸/比例带来的图像差异
• 灰度化：减少计算量；
• 求平均值，并根据平均值将每一个像素二值化
• 将8*8=64位bit，每8个比特为一个十六进制值，转换成字符串，生成哈希值（指纹）

dHash

• 缩放为9*8大小
• 灰度化
• 差异值计算（每行相邻像素的差值，这样会生成8*8的差值，前一个像素大于后一个像素则为1，否则为0）
• 生成哈希值

pHash

• 缩放 为32*32大小
• 灰度化
• 对图片进行离散余弦变换（DCT），转换到频域
• 取频域左上角8*8大小（图片的能量都集中在低频部分，低频位于左上角）
• 计算平均值，并根据平均值二值化（同平均哈希）
• 生成哈希值

计算距离

对比不同的图像，看看64位中有多少位是不一样的。在理论上，这等同于”汉明距离”(Hamming distance,在信息论中，两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数)。 如果不相同的数据位数不超过5，就说明两张图像很相似；如果大于10，就说明这是两张不同的图像。