图片相似度识别：dHash算法

1

dHash算法

    aHash中文叫差异哈希算法，在对图片进行哈希转换时，通过左右两个像素大小的比较，得到最终哈希序列。

基本原理：

1. 缩小尺寸。将图片缩小为9*8大小，此时照片有72个像素点。

2. 灰度化处理。

3. 计算差异值，获得最后哈希值（与aHash主要区别处）。比较每行左右两个像素，如果左边的像素比右边的更亮（左边像素值大于右边像素值），则记录为1，否则为0。因为每行有9个像素，左右两个依次比较可得出8个值，所以8行像素共可以得出64个值，因此此时哈希值为长度是64的0-1序列。

4. 图片配对，计算汉明距离。

2

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

from PIL import Image

import os

import numpy as np

import time

#差异哈希算法

def dHash(image):

   image_new=image

   #计算均值

   avreage = np.mean(image_new)

   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

   for i in range(8):

       for j in range(8):

           if image[i,j]>image[i,j+1]:

               hash.append(1)

           else:

               hash.append(0)

   return hash

#计算汉明距离

def Hamming_distance(hash1,hash2):

   num = 0

   for index in range(len(hash1)):

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

           num += 1

   return num

if __name__ == "__main__":

   image1 = Image.open('image1.png')

   image2 = Image.open('image2.png')

   #缩小尺寸并灰度化

   start = time.time()

   image1=np.array(image1.resize((9, 8), Image.ANTIALIAS).convert('L'), 'f')

   image2=np.array(image2.resize((9, 8), Image.ANTIALIAS).convert('L'), 'f')

   hash1 = dHash(image1)

   hash2 = dHash(image2)

   dist = Hamming_distance(hash1, hash2)

   end = time.time()

   #将距离转化为相似度

   similarity = 1 - dist * 1.0 / 64

   print('dist is '+'%d' % dist)

   print('similarity is ' +'%d' % similarity)

   print('time is  '+ '%f'%(end-start))

最终结果：

可见两张图片相似度非常低。