您好,登录后才能下订单哦!
这篇文章主要介绍图像相似度Hash算法的示例分析,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!
Hash算法有三种,分别为平均哈希算法(aHash)、感知哈希算法你(pHash)和差异哈哈希算法(dHash)。
本文实现针对平均哈希算法;
平均哈希算法是三种Hash算法中最简单的一种,它通过下面几个步骤来获得图片的Hash值,这几个步骤分别是(1) 缩放图片;(2)转灰度图; (3) 算像素均值;(4)根据相似均值计算指纹。具体算法如下所示:
表1 aHash得到图片Hash值地算法
缩放图片 | 输入图片大小尺寸各异,为了统一图片的输入,统一将图片尺寸缩放为8*8,一共得到了64个像素点。 |
转灰度图 | 输入图片有些为单通道灰度图,有些RGB三通道彩色图,有些为RGBA四通道彩色图。也为了统一下一步输入标准,将非单通道图片都转为单通道灰度图。 其中RGB三通道转单通道算法有下面几种: 1.浮点算法:Gray=R0.3+G0.59+B0.11 2.整数方法:Gray=(R30+G59+B11)/100 3.移位方法:Gray =(R76+G151+B*28)>>8; 4.平均值法:Gray=(R+G+B)/3; 5.仅取绿色:Gray=G; |
算像素均值 | 通过上一步可得一个8x8的整数矩阵G,计算这个矩阵中所有元素的平均值,假设其值为a |
据像素均值计算指纹 | 初始化输入图片的ahash = "" 从左到右一行一行地遍历矩阵G每一个像素如果第i行j列元素G(i,j) >= a,则ahash += "1"如果第i行j列元素G(i,j) <a, 则ahash += "0" |
得到图片的ahash值后,比较两张图片ahash值的汉明距离,通常认为汉明距离小于10的一组图片为相似图片。
Demo 界面/
获取aHash函数如下:
function TForm1.GetHash(src: TBitmap; iType: Integer): Int64; var p: PByteArray; bmp: TBitmap; x, y: Integer; gray, sum: Integer; ct: array[0..7, 0..7] of Byte; avg: Single; ret: Int64; begin ret := 0; case iType of 0: // aHash 平均哈希算法 begin bmp := TBitmap.Create; try bmp.Assign(src); bmp.Width := 8; bmp.Height := 8; bmp.PixelFormat := pf24bit; sum := 0; for y := 0 to 7 do begin p := bmp.ScanLine[y]; for x := 0 to 7 do begin //转灰度图 平均值法 gray := (p[3 * x + 2] + p[3 * x + 1] + p[3 * x]) div 3; ct[y, x] := gray; sum := sum + gray; end; end; avg := sum/64; for y := 0 to 7 do for x := 0 to 7 do ret := ret shl 1 or Ord(ct[y, x] > avg); finally bmp.Free; end; end; 1: // pHash 感知哈希算法 begin end; 2: // dHash 差异哈希算法 begin end; end; Result := ret; end;
计算汉明距离函数:
function TForm1.Hamming(Hash2, Hash3: Int64): Integer; var A: Int64; begin Result := 0; A := Hash2 xor Hash3; while A<>0 do begin A := A and (A-1); Inc(Result); end; end;
以上是“图像相似度Hash算法的示例分析”这篇文章的所有内容,感谢各位的阅读!希望分享的内容对大家有帮助,更多相关知识,欢迎关注亿速云行业资讯频道!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。