感知雜湊演算法

標籤：style   blog   http   使用   strong   ar   for   資料   art   

　　”感知雜湊演算法”（Perceptual hash algorithm），它的作用是對每張圖片產生一個”指紋”（fingerprint）字串，然後比較不同圖片的指紋。結果越接近，就說明圖片越相似。

優點：簡單快速，不受圖片大小縮放的影響。

缺點：圖片的內容不能更改。

主要用途：根據縮圖找出原圖，搜尋引擎中的相似圖片搜尋。

Hash演算法原理

第一步，縮小尺寸。

將圖片縮小到8×8的尺寸，總共64個像素。這一步的作用是去除圖片的細節，只保留結構、明暗等基本資料，摒棄不同尺寸、比例帶來的圖片差異。

第二步，簡化色彩。

將縮小後的圖片，轉為64級灰階。也就是說，所有像素點總共只有64種顏色。

第三步，計算平均值。

計算所有64個像素的灰階平均值。

第四步，比較像素的灰階。

將每個像素的灰階，與平均值進行比較。大於或等於平均值，記為1；小於平均值，記為0。

第五步，計算雜湊值。

將上一步的比較結果，組合在一起，就構成了一個64位的整數，這就是這張圖片的指紋。組合的次序並不重要，只要保證所有圖片都採用同樣次序就行了。

得到指紋以後，就可以對比不同的圖片，看看64位中有多少位是不一樣的。在理論上，這等同於計算“漢明距離”（Hamming distance）。如果不相同的資料位元不超過5，就說明兩張圖片很相似；如果大於10，就說明這是兩張不同的圖片。

PHash演算法原理：

均值雜湊雖然簡單，但受均值的影響非常大。例如對映像進行色差補正坡形或長條圖均衡就會影響均值，從而影響最終的hash值。存在一個更健壯的演算法叫pHash。它將均值的方法發揮到極致。使用離散餘弦變換(DCT)來擷取圖片的低頻成分。

提取過程如下：

（1）縮小尺寸：pHash以小圖片開始，但圖片大於8*8，32*32是最好的。這樣做的目的是簡化了DCT的計算，而不是減小頻率。

（2）簡化色彩：將圖片轉化成灰階映像，進一步簡化計算量。

（3）計算DCT：計算圖片的DCT變換，得到32*32的DCT係數矩陣。

（4）縮小DCT：雖然DCT的結果是32*32大小的矩陣，但我們只要保留左上方的8*8的矩陣，這部分呈現了圖片中的最低頻率。

（5）計算平均值：如同均值雜湊一樣，計算DCT的均值。

（6）計算hash值：這是最主要的一步，根據8*8的DCT矩陣，設定0或1的64位的hash值，大於等於DCT均值的設為”1”，小於DCT均值的設為“0”。組合在一起，就構成了一個64位的整數，這就是這張圖片的指紋。

       結果並不能告訴我們真實性的低頻率，只能粗略地告訴我們相對於平均值頻率的相對比例。只要圖片的整體結構保持不變，hash結果值就不變。能夠避免色差補正坡形或顏色長條圖被調整帶來的影響。

        與均值雜湊一樣，pHash同樣可以用漢明距離來進行比較。(只需要比較每一位對應的位置並算計不同的位的個數)

pHash演算法和SIFT演算法可以找到變形不超過25%的圖片。

相關的博文有：

基於雜湊演算法的視覺目標跟蹤

看起來像它——Image Search其實也不難

相似圖片搜尋原理 

TinEye圖片檢索網站

Google圖片搜尋引擎

百度基於深度學習的百度識圖

感知雜湊演算法