图片相似度识别:pHash算法
2021-03-23 20:43
39 查看
1
pHash算法
pHash中文叫感知哈希算法,通过离散余弦变换(DCT)降低图片频率,相比aHash有更好鲁棒性。
基本原理:
缩小尺寸。将图片缩小为32*32大小。
灰度化处理。
计算DCT,并选取左上角8*8的矩阵。DCT是一种特殊的傅立叶变换,将图片从像素域变换为频率域,并且DCT矩阵从左上角到右下角代表越来越高频率的系数,但是除左上角外,其他地方的系数为0或接近0,因此只保留左上角的低频区域。
计算DCT均值。
哈希值计算。将每个DCT值,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,由此生成二进制数组。(与aHash类似)
图片配对,计算汉明距离
2
DCT
一维DCT变换公式:
f(i)为原始的信号,F(u)是DCT变换后的系数,N为原始信号的点数,c(u)是补偿系数。
二维DCT变换公式:
二维变换是在一维变换的基础上得来的,并且上述公式可以转化为
此形式更方便计算。DCT变换是对称的,因此可以对经过DCT变换的图片进行还原操作。
3
Python实现
本例中依然计算以下两张图片的相似度:
(image1)
(image2)
完整算法
这里同步给出三种hash的完整代码,便于进行效果比较。首先使用opencv进行算法实现:
#-*-coding:utf-8-*-
import pandas as pd
importcv2
importtime
importnumpyasnp
defpHash(img,leng=32,wid=32):
img=cv2.resize(img,(leng,wid))
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dct=cv2.dct(np.float32(gray))
dct_roi = dct[0:8, 0:8]
avreage = np.mean(dct_roi)
phash_01=(dct_roi>avreage)+0
phash_list=phash_01.reshape(1,-1)[0].tolist()
hash = ''.join([str(x) for x in phash_list])
returnhash
defdHash(img,leng=9,wid=8):
img=cv2.resize(img,(leng,wid))
image=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#每行前一个像素大于后一个像素为1,相反为0,生成哈希
hash=[]
foriinrange(wid):
forjinrange(wid):
ifimage[i,j]>image[i,j+1]:
hash.append(1)
else:
hash.append(0)
returnhash
defaHash(img,leng=8,wid=8):
img=cv2.resize(img,(leng,wid))
image=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
avreage=np.mean(image)
hash=[]
foriinrange(image.shape[0]):
forjinrange(image.shape[1]):
ifimage[i,j]>=avreage:
hash.append(1)
else:
hash.append(0)
returnhash
defHamming_distance(hash1,hash2):
num=0
forindexinrange(len(hash1)):
ifhash1[index]!=hash2[index]:
num+=1
returnnum
if__name__=='__main__':
image1=cv2.imread('image1')
image2=cv2.imread('image2')
start1=time.time()
d_dist=Hamming_distance(dHash(image1),dHash(image2))
end1=time.time()
start2=time.time()
p_dist=Hamming_distance(pHash(image1),pHash(image2))
end2=time.time()
start3=time.time()
a_dist=Hamming_distance(aHash(image1),aHash(image2))
end3=time.time()
print('a_distis'+'%d'%a_dist+',similarityis'+'%f'%(1-a_dist*1.0/64)+',timeis'+'%f'%(end3-start3))
print('p_distis'+'%d'%p_dist+',similarityis'+'%f'%(1-p_dist*1.0/64)+',timeis'+'%f'%(end2-start2))
print('d_distis'+'%d'%d_dist+',similarityis'+'%f'%(1-d_dist*1.0/64)+',timeis'+'%f'%(end1-start1))
结果为:
下面通过PIL进行算法实现(此部分DCT变换为自己写的,如有错误欢迎指出):
fromPILimportImage
importos
importnumpyasnp
importtime
#差异哈希算法
defdHash(image,leng=9,wid=8):
image=np.array(image.resize((leng,wid),Image.ANTIALIAS).convert('L'),'f')
hash=[]
#每行前一个像素大于后一个像素为1,相反为0,生成哈希
foriinrange(wid):
forjinrange(wid):
ifimage[i,j]>image[i,j+1]:
hash.append(1)
else:
hash.append(0)
returnhash
defaHash(image,leng=8,wid=8):
image=np.array(image.resize((leng,wid),Image.ANTIALIAS).convert('L'),'f')
#计算均值
avreage=np.mean(image)
hash=[]
foriinrange(image.shape[0]):
forjinrange(image.shape[1]):
ifimage[i,j]>=avreage:
hash.append(1)
else:
hash.append(0)
returnhash
defpHash(image,leng=32,wid=32):
image=np.array(image.resize((leng,wid),Image.ANTIALIAS).convert('L'),'f')
A=[]
foriinrange(0,32):
forjinrange(0,32):
ifi==0:
a=np.sqrt(1/32)
else:
a=np.sqrt(2/32)
A.append(a*np.cos(np.pi*(2*j+1)*i/(2*32)))
dct=np.dot(np.dot(image,np.reshape(A,(32,32))),np.transpose(image))
b=dct[0:8][0:8]
hash=[]
avreage=np.mean(b)
foriinrange(8):
forjinrange(8):
ifb[i,j]>=avreage:
hash.append(1)
else:
hash.append(0)
returnhash
#计算汉明距离
defHamming_distance(hash1,hash2):
num=0
forindexinrange(len(hash1)):
ifhash1[index]!=hash2[index]:
num+=1
returnnum
if__name__=="__main__":
image1=Image.open('image1.png')
image2=Image.open('image2.png')
start1=time.time()
d_dist=Hamming_distance(dHash(image1),dHash(image2))
end1=time.time()
start2=time.time()
p_dist=Hamming_distance(pHash(image1),pHash(image2))
end2=time.time()
start3=time.time()
a_dist=Hamming_distance(aHash(image1),aHash(image2))
end3=time.time()
print('a_distis'+'%d'%a_dist+',similarityis'+'%f'%(1-a_dist*1.0/64)+',timeis'+'%f'%(end3-start3))
print('p_distis'+'%d'%p_dist+',similarityis'+'%f'%(1-p_dist*1.0/64)+',timeis'+'%f'%(end2-start2))
print('d_distis'+'%d'%d_dist+',similarityis'+'%f'%(1-d_dist*1.0/64)+',timeis'+'%f'%(end1-start1))
结果为:
3
优缺点
pHash相对aHash鲁棒性更好,但速度会略慢。从上述例子也可以看出,用不同的方法最后的相似度数值不同,因此在实际应用中还需结合实际效果不断调整确定阈值。
相关文章推荐
- 图片相似度算法,可识别出缩放,拉伸,亮暗后的同一张图片
- 图片相似度识别:dHash算法
- 图片相似度识别:dHash算法
- 经典算法1---相似度--模糊查询,查抄袭,语言识别
- 图片相似度算法
- 图片相似度比较--算法
- java写得图片相似度处理识别技术代码
- 相似图片搜索、算法、识别的原理解析(上)
- 基于KNN算法实现的单个图片数字识别
- 相似图片搜索、算法、识别的原理解析(下)
- 【Machine Learning】KNN算法虹膜图片识别
- 模式识别hw3-------常见模式识别算法用于人脸图片性别识别
- DL之DNN:利用DNN【784→50→100→10】算法对MNIST手写数字图片识别数据集进行预测、模型优化
- 图片识别 中图片压缩和放大算法,最近邻插值,双线性插值
- 感知哈希算法:pHash算法实现图像相似度比较(附完整c++代码)
- 经典算法1---相似度--模糊查询,查抄袭,语言识别
- javascript图片相似度算法实现 js实现直方图和向量算法
- 图片验证码识别算法
- DL之LiR&DNN&CNN:利用LiR、DNN、CNN算法对MNIST手写数字图片(csv)识别数据集实现(10)分类预测
- javascript图片相似度算法实现 js实现直方图和向量算法