图像相似度Hash算法的示例分析

发布时间:2022-03-23 14:08:49 作者:小新
来源:亿速云 阅读:230

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!

图像的相似度Hash算法

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;

1 平均哈希算法(aHash)

1.1 算法步骤

       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/  

 图像相似度Hash算法的示例分析

   图像相似度Hash算法的示例分析

图像相似度Hash算法的示例分析

  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!

推荐阅读:
  1. html中基础图像的示例分析
  2. python Opencv计算图像相似度过程解析

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。

hash

上一篇:HTML网页如何制作

下一篇:servlet/filter/listener/interceptor区别与联系是什么

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》