如何比较图片相似性

小咪咪 2024-04-18 23:40 56阅读 0赞

朋友们，如需转载请标明出处：[http://blog.csdn.net/jiangjunshow][http_blog.csdn.net_jiangjunshow]

## 概述 ##

一般情况下, 图片相似算法分为三种

*  均值Hash算法
 *  差异值hash算法
 *  感知hash算法

其实三个算法差不多. 我们以均值hash算法为例, 算法的步骤如下:

1.  缩放为n\*n的图片
2.  去色, 获取灰度图
3.  得到hash指纹
4.  比较hash指纹的汉明距离, 得到相似值

上面算法的不同, 主要是得到hash指纹的算法不同

## 均值hash算法 ##

我们举例说明. 原图如下:

![format_png][]

### 缩放为8\*8的图片 ###

代码:

img = cv2.resize(img, (8, 8), interpolation=cv2.INTER_CUBIC)
    复制代码

缩放结果

![format_png 1][]

### 去色 ###

代码

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    复制代码

结果:

![format_png 2][]

### 计算灰度平均值 ###

# 计算灰度平均值
        for i in range(8):
            for j in range(8):
                s = s + gray_img[i, j]
        avg = s / 64
    复制代码

计算结果为176

### 计算Hash指纹 ###

计算方法为, 如果该点灰度值大于平均灰度值, 这为1, 否则为0, 代码如下:

# 如果值大于灰度值, 则为1, 否则为0. 生成hash指纹
        for i in range(8):
            for j in range(8):
                if gray_img[i, j] > avg:
                    hash_str = hash_str + '1'
                else:
                    hash_str = hash_str + '0'
    复制代码

### 计算汉明距离 ###

汉明距离: 在信息论中，两个等长字符串之间的汉明距离（英语：Hamming distance）是两个字符串对应位置的不同字符的个数。 代码:

def cmp_hash(hash_1, hash_2):
        # 计算汉明距离
        n = 0
        if len(hash_1) != len(hash_2):
            return -1
        for i in range(len(hash_1)):
            if hash_1[i] != hash_2[i]:
                n = n + 1
        return n
    复制代码

## 差异值hash算法 ##

前面缩放, 置灰, 计算汉明距离等和平均值hash算法一样, 区别在于计算hash指纹的算法不同. 该处算法为: 如果前一个像素大于后一个像素的灰度值, 则为1, 否则为0. 完整的算法如下:

# 差值感应hash
    def b_hash(img):
        # 缩放到8*8的图片
        img = cv2.resize(img, (9, 8), interpolation=cv2.INTER_CUBIC)
        # 得到灰度图
        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        hash_str = ''
        # 如果前一个像素比后一个大, 则为1, 否则为0. 生成hash指纹
        for i in range(8):
            for j in range(8):
                if gray_img[i, j] > gray_img[i, j + 1]:
                    hash_str = hash_str + '1'
                else:
                    hash_str = hash_str + '0'
        return hash_str
    复制代码

## 感知Hash算法 ##

前面两种比较图片相似的算法很好理解. 感应Hash算法的思想与之不同. 我们换一种角度来看待一张图片. 一个图片其实就是二维的信息图谱, 有各种频率的变化, 频率高的地方代表颜色的变换比较大, 例如轮廓部分. 我们可以利用DCT变换(离散余弦变换)得到频域图. 比较低频部分(为什么要比较低频部分?) 是否相似就可以了.

### 原图还是上面的原图. 我们先进行缩放, 缩放为32\*32的部分 ###

![format_png 3][]

### 灰度处理 ###

![format_png 4][]

### 进行DCT变换 ###

![format_png 5][]

### 我们拿到左上角的8\*8的区域, 根据平均值hash算法比较这个灰度图的汉明距离 ###

完整的代码如下:

# 感知hash
    def p_hash(img):
        # 缩放到32 * 32
        img = cv2.resize(img, (32, 32), interpolation=cv2.INTER_CUBIC)
        cv2.imwrite("bb.jpg", img)
        # 得到灰度图
        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        gray_img = gray_img.astype(np.float32)
        cv2.imwrite("cc.jpg", gray_img)
    
        # 进行离散余弦变换, 目的是将低频部分放到左上角
        img = cv2.dct(gray_img)
        cv2.imwrite("dd.jpg", img)
        # 得到左上角8*8 的频率图
        img = img[0:8, 0:8]
        avg = 0
        # 与得到低频图的平均灰度
        hash_str = ''
        for i in range(8):
            for j in range(8):
                avg += img[i, j]
        avg = avg / 64
    
        # 如果低频图的像素值大于平均灰度, 则为1, 否则为0. 依次生成hash指纹
        for i in range(8):
            for j in range(8):
                if img[i, j] > avg:
                    hash_str = hash_str + '1'
                else:
                    hash_str = hash_str + '0'
        return hash_str

[http_blog.csdn.net_jiangjunshow]: http://blog.csdn.net/jiangjunshow
[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS85LzEwLzE2ZDE5MmEzZTk4MzQwZDc_aW1hZ2VWaWV3Mi8wL3cvMTI4MC9oLzk2MC9mb3JtYXQvd2VicC9pZ25vcmUtZXJyb3IvMQ?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS85LzEwLzE2ZDE5MmMzMzVkZTE2NDM_aW1hZ2VWaWV3Mi8wL3cvMTI4MC9oLzk2MC9mb3JtYXQvd2VicC9pZ25vcmUtZXJyb3IvMQ?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS85LzEwLzE2ZDE5MmRhODc1YWMzODM_aW1hZ2VWaWV3Mi8wL3cvMTI4MC9oLzk2MC9mb3JtYXQvd2VicC9pZ25vcmUtZXJyb3IvMQ?x-oss-process=image/format,png
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS85LzEwLzE2ZDE5M2ZkMjhmOGQ3Zjc_aW1hZ2VWaWV3Mi8wL3cvMTI4MC9oLzk2MC9mb3JtYXQvd2VicC9pZ25vcmUtZXJyb3IvMQ?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS85LzEwLzE2ZDE5NDA1NjMxZDU2YmY_aW1hZ2VWaWV3Mi8wL3cvMTI4MC9oLzk2MC9mb3JtYXQvd2VicC9pZ25vcmUtZXJyb3IvMQ?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS85LzEwLzE2ZDE5NDNhOGY1NDM2NTQ_aW1hZ2VWaWV3Mi8wL3cvMTI4MC9oLzk2MC9mb3JtYXQvd2VicC9pZ25vcmUtZXJyb3IvMQ?x-oss-process=image/format,png