江苏龙网

  1. 主页 > 生活百科 > >

python图像识别之图片相似度计算( 二 )

Python图像识别


感知哈希算法是一类算法的总称，包括aHash、pHash、dHash 。顾名思义，感知哈希不是以严格的方式计算Hash值，而是以更加相对的方式计算哈希值，因为“相似”与否，就是一种相对的判定 。
几种hash值的比较：
aHash：平均值哈希 。速度比较快，但是常常不太精确 。
pHash：感知哈希 。精确度比较高，但是速度方面较差一些 。
dHash：差异值哈希 。精确度较高，且速度也非常快
1. 平均哈希算法（aHash）：
该算法是基于比较灰度图每个像素与平均值来实现 。
aHash的hanming距离步骤：
先将图片压缩成8*8的小图
将图片转化为灰度图
计算图片的Hash值，这里的hash值是64位，或者是32位01字符串
将上面的hash值转换为16位的
通过hash值来计算汉明距离
# 均值哈希算法def ahash(image): # 将图片缩放为8*8的 image = cv2.resize(image, (8, 8), interpolation=cv2.INTER_CUBIC) # 将图片转化为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) # s为像素和初始灰度值，hash_str为哈希值初始值 s = 0 # 遍历像素累加和 for i in range(8): for j in range(8): s = s + gray[i, j] # 计算像素平均值 avg = s / 64 # 灰度大于平均值为1相反为0，得到图片的平均哈希值，此时得到的hash值为64位的01字符串 ahash_str = '' for i in range(8): for j in range(8): if gray[i, j] > avg: ahash_str = ahash_str + '1' else: ahash_str = ahash_str + '0' result = '' for i in range(0, 64, 4): result += ''.join('%x' % int(ahash_str[i: i + 4], 2)) # print("ahash值：",result) return result2.感知哈希算法（pHash）：
均值哈希虽然简单，但是受均值影响大 。如果对图像进行伽马校正或者进行直方图均值化都会影响均值，从而影响哈希值的计算 。所以就有人提出更健壮的方法，通过离散余弦（DCT）进行低频提取 。
离散余弦变换（DCT）是种图像压缩算法，它将图像从像素域变换到频率域 。然后一般图像都存在很多冗余和相关性的，所以转换到频率域之后，只有很少的一部分频率分量的系数才不为0，大部分系数都为0（或者说接近于0） 。
pHash的计算步骤：
缩小图片：32 * 32是一个较好的大小，这样方便DCT计算转化为灰度图
计算DCT：利用Opencv中提供的dct()方法，注意输入的图像必须是32位浮点型，所以先利用numpy中的float32进行转换
缩小DCT：DCT计算后的矩阵是32 * 32，保留左上角的8 * 8，这些代表的图片的最低频率
计算平均值：计算缩小DCT后的所有像素点的平均值 。
进一步减小DCT：大于平均值记录为1，反之记录为0.
得到信息指纹：组合64个信息位，顺序随意保持一致性 。
最后比对两张图片的指纹，获得汉明距离即可 。
# phashdef phash(path): # 加载并调整图片为32*32的灰度图片 img = cv2.imread(path) img1 = cv2.resize(img, (32, 32),cv2.COLOR_RGB2GRAY) # 创建二维列表 h, w = img.shape[:2] vis0 = np.zeros((h, w), np.float32) vis0[:h, :w] = img1 # DCT二维变换 # 离散余弦变换，得到dct系数矩阵 img_dct = cv2.dct(cv2.dct(vis0)) img_dct.resize(8,8) # 把list变成一维list img_list = np.array().flatten(img_dct.tolist()) # 计算均值 img_mean = cv2.mean(img_list) avg_list = ['0' if i<img_mean else '1' for i in img_list] return ''.join(['%x' % int(''.join(avg_list[x:x+4]),2) for x in range(0,64,4)])3. 差异值哈希算法（dHash）：
相比pHash，dHash的速度要快的多，相比aHash，dHash在效率几乎相同的情况下的效果要更好，它是基于渐变实现的 。
dHash的hanming距离步骤：
先将图片压缩成9*8的小图，有72个像素点
将图片转化为灰度图
计算差异值：dHash算法工作在相邻像素之间，这样每行9个像素之间产生了8个不同的差异，一共8行，则产生了64个差异值，或者是32位01字符串 。
获得指纹：如果左边的像素比右边的更亮，则记录为1，否则为0.
通过hash值来计算汉明距离
# 差异值哈希算法def dhash(image): # 将图片转化为8*8 image = cv2.resize(image, (9, 8), interpolation=cv2.INTER_CUBIC) # 将图片转化为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) dhash_str = '' for i in range(8): for j in range(8): if gray[i, j] > gray[i, j + 1]: dhash_str = dhash_str + '1' else: dhash_str = dhash_str + '0' result = '' for i in range(0, 64, 4): result += ''.join('%x' % int(dhash_str[i: i + 4], 2)) # print("dhash值",result)returnresult4. 计算哈希值差异
#计算两个哈希值之间的差异def campHash(hash1, hash2): n = 0 # hash长度不同返回-1,此时不能比较 if len(hash1) != len(hash2): return -1 # 如果hash长度相同遍历长度 for i in range(len(hash1)): if hash1[i] != hash2[i]: n = n + 1 return n


推荐阅读


上一篇：中国八大名优绿茶品种简介

下一篇：茶企开启渗透式营销新思路