首页 > 学术百科

哈希算法实现图像相似度比较（PythonOpenCV）

哈希算法实现图像相似度⽐较（PythonOpenCV）

简述

相似图像搜索的哈希算法有三种：

均值哈希算法

差值哈希算法

感知哈希算法

均值哈希算法

步骤

1. 缩放：图⽚缩放为8*8，保留结构，出去细节。

2. 灰度化：转换为256阶灰度图。

3. 求平均值：计算灰度图所有像素的平均值。

甲基铝氧烷

4. ⽐较：像素值⼤于平均值记作1，相反记作0，总共64位。

5. ⽣成hash：将上述步骤⽣成的1和0按顺序组合起来既是图⽚的指纹（hash）。顺序不固定。但是⽐较时候必须是相同的顺序。

6. 对⽐指纹：将两幅图的指纹对⽐，计算汉明距离，即两个64位的hash值有多少位是不⼀样的，不相同位数越少，图⽚越相似。代码实现：

#均值哈希算法

def aHash(img):

#缩放为8*8

size(img,(8,8),interpolation=cv2.INTER_CUBIC)

#转换为灰度图

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#s为像素和初值为0，hash_str为hash值初值为''

s=0

hash_str=''

#遍历累加求像素和

for i in range(8):

for j in range(8):

s=s+gray[i,j]

#求平均灰度

avg=s/64

#灰度⼤于平均值为1相反为0⽣成图⽚的hash值

for i in range(8):

for j in range(8):

if gray[i,j]>avg:

hash_str=hash_str+'1'

else:

hash_str=hash_str+'0'

return hash_str

差值哈希算法

差值哈希算法前期和后期基本相同，只有中间⽐较hash有变化。

步骤

1. 缩放：图⽚缩放为8*9，保留结构，出去细节。

2. 灰度化：转换为256阶灰度图。

3. 求平均值：计算灰度图所有像素的平均值。

4. ⽐较：像素值⼤于后⼀个像素值记作1，相反记作0。本⾏不与下⼀⾏对⽐，每⾏9个像素，⼋个差值，有8⾏，总共64位

5. ⽣成hash：将上述步骤⽣成的1和0按顺序组合起来既是图⽚的指纹（hash）。顺序不固定。但是⽐较时候必须是相同的顺序。

6. 对⽐指纹：将两幅图的指纹对⽐，计算汉明距离，即两个64位的hash值有多少位是不⼀样的，不相同位数越少，图⽚越相似。

#差值感知算法

def dHash(img):

#缩放8*8

size(img,(9,8),interpolation=cv2.INTER_CUBIC)

#转换灰度图

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

hash_str=''

#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 gray[i,j]>gray[i,j+1]:

hash_str=hash_str+'1'

else:

摩托罗拉l2hash_str=hash_str+'0'

return hash_str

感知哈希算法

感知哈希算法可以参考

讲的很详细了。

Hash值对⽐

由于返回值为str字符串，所以直接遍历字符串进⾏⽐对。

#Hash值对⽐

def cmpHash(hash1,hash2):

n=0

#hash长度不同则返回-1代表传参出错

if len(hash1)!=len(hash2):

return -1

#遍历判断

for i in range(len(hash1)):

#不相等则n计数+1，n最终为相似度

if hash1[i]!=hash2[i]:

n=n+1

return n

总结

完整代码

import cv2

import numpy as np

#均值哈希算法

def aHash(img):

#缩放为8*8

摒弃精致的利己主义size(img,(8,8),interpolation=cv2.INTER_CUBIC)

#转换为灰度图

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#s为像素和初值为0，hash_str为hash值初值为''

s=0

hash_str=''

#遍历累加求像素和

for i in range(8):

for j in range(8):

s=s+gray[i,j]

#求平均灰度

avg=s/64

#灰度⼤于平均值为1相反为0⽣成图⽚的hash值

for i in range(8):

我不是塑料袋for j in range(8):

if gray[i,j]>avg:

hash_str=hash_str+'1'

else:

hash_str=hash_str+'0'

return hash_str

#差值感知算法

def dHash(img):

#缩放8*8

size(img,(9,8),interpolation=cv2.INTER_CUBIC)

#转换灰度图

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

hash_str=''

#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):

ppic9kif gray[i,j]>gray[i,j+1]:

hash_str=hash_str+'1'

else:

hash_str=hash_str+'0'

return hash_str

#Hash值对⽐

def cmpHash(hash1,hash2):

n=0

#hash长度不同则返回-1代表传参出错

if len(hash1)!=len(hash2):

return -1

#遍历判断

for i in range(len(hash1)):

#不相等则n计数+1，n最终为相似度

if hash1[i]!=hash2[i]:

n=n+1

return n

img1=cv2.imread('walk_m.jpg')

img2=cv2.imread('walks1.jpg')

hash1= aHash(img1)

hash2= aHash(img2)

print(hash1)

print(hash2)

n=cmpHash(hash1,hash2)

氯化镍

print('均值哈希算法相似度：',n)

hash1= dHash(img1)

hash2= dHash(img2)

print(hash1)

print(hash2)

n=cmpHash(hash1,hash2)

print('差值哈希算法相似度：',n)

测试图像两张如下

测试结果如下：

根据不同的实际情况测试，选择⾃⼰合适的相似度算法才是最好的。

本文发布于:2024-09-20 22:57:06，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/398363.html

上一篇：minHash（最小哈希）和LSH（局部敏感哈希）

下一篇：哈希BOD设备操作规程

标签：算法像素灰度相似遍历

留言与评论（共有 0 条评论）