Python实现感知哈希算法

最新推荐文章于 2024-08-07 08:26:05 发布
最新推荐文章于 2024-08-07 08:26:05 发布
阅读量317 收藏 1
点赞数 1
CC 4.0 BY-SA版权
文章标签： python 哈希算法 计算机视觉 Python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/TechPr/article/details/132751286
Python 专栏收录该内容
217 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何使用Python实现感知哈希算法，用于图像相似度比较。算法包括图像缩小、转换为灰度图像、计算平均值、比较像素灰度值和构建哈希值等步骤。通过Python图像处理库PIL实现，适用于图像搜索、deduplication等场景，对简单变换有鲁棒性。

Python实现感知哈希算法

感知哈希算法（Perceptual Hashing Algorithm）是一种用于图像相似度比较的算法，它能够将图像转换为一个固定长度的哈希值，使得相似的图像具有相似的哈希值。在本文中，我们将使用Python来实现感知哈希算法，并介绍算法的基本原理和实现步骤。

感知哈希算法的基本原理是通过降低图像的细节和颜色信息，提取出图像的主要特征，并将这些特征转换为一个固定长度的哈希值。算法的实现步骤如下：

  1. 图像缩小：将输入的图像缩小为一个固定的尺寸，例如8x8像素。这一步骤的目的是降低图像的细节信息，只保留主要的结构信息。

  2. 转换为灰度图像：将缩小后的图像转换为灰度图像。这一步骤的目的是降低图像的颜色信息，只保留亮度信息。

  3. 计算平均值：计算灰度图像的像素平均值。这一步骤的目的是获得图像的整体亮度水平。

  4. 比较像素灰度值：遍历灰度图像的每个像素，将像素的灰度值与图像的平均值进行比较。如果像素的灰度值大于平均值，则将该像素置为1；如果像素的灰度值小于等于平均值，则将该像素置为0。这一步骤的目的是提取出图像的主要特征。

  5. 构建哈希值：将比较后的像素灰度值按顺序连接起来，形成一个固定长度的二进制字符串。这个二进制字符串就是图像的感知哈希值。

下面是使用Python实现感知哈希算法的代码：

from PIL
了解本专栏 订阅专栏 解锁全文
基于python 实现多种哈希算法和孪生神经网络的短视频相似度检测系统
07-01
【作品名称】：基于python 实现多种哈希算法和孪生神经网络的短视频相似度检测系统 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 ...
Python-imagehash使用Python编写感知图像哈希模块
08-10
imagehash：使用Python编写感知图像哈希模块。可用于查找相似的图片。
感知哈希算法(Python版)
04-20
Python3实现基于PHA实现图像配准
Python实现感知哈希算法（pHash）
weixin_42872907的博客
08-31 5005
感知哈希算法步骤： 1、设置图片大小：一般是32 * 32，一个较好的大小，方便DCT计算； 2、转化为灰度图：把缩放后的图片转化为256阶的灰度图； 3、计算DCT: DCT把图片分离成分率的集合； 4、DCT计算后的矩阵是32 * 32，保留左上角的8 * 8，这些代表的图片的最低频率； 5、计算平均值：计算缩小DCT后的所有像素点的平均值； 6、计算图片哈希值，大于平均值记录为1，反之记录为0，得到信息指纹，组合64个信息位，顺序随意保持一致性； 7、最后比对两张图片的指纹，对比汉明距离从而比较图片相
感知哈希算法——Python实现
m_buddy的博客
12-24 6313
1. 前言现在手中只有一张图像需要在一个集合中去找到与之最相近的那一张，这个过程实际是一个匹配的过程，特别是在多模态医学图像中解决这样的问题是比较迫切的，今年试验了一种广泛使用的算法——感知哈希算法！具体的实验结果将在下文中给出。2. 算法原理step1：缩小图片尺寸 将图片缩小到8x8的尺寸, 总共64个像素. 这一步的作用是去除各种图片尺寸和图片比例的差异, 只保留结构、明暗等基本信息。
python 相似图片 dhash_相似图片检测：感知哈希算法之dHash的Python实现
weixin_39700397的博客
12-15 233
某些情况下，我们需要检测图片之间的相似性，进行我们需要的处理：删除同一张图片、标记盗版等。如何判断是同一张图片呢？最简单的方法是使用加密哈希(例如MD5, SHA-1)判断。但是局限性非常大。例如一个txt文档，其MD5值是根据这个txt的二进制数据计算的，如果是这个txt文档的完全复制版，那他们的MD5值是完全相同的。但是，一旦改变副本的内容，哪怕只是副本的缩进格式，其MD5也会天差地别。因此加...
感知哈希算法--python实现
insthink的博客
05-10 9115
最近在看运动目标跟踪方面的资料，偶然间看到zouxy09大神的一篇《基于感知哈希算法的视觉跟踪》，觉得挺有意思的。于是去查了相关的感知哈希的资料，发现在图片搜索领域里面应用非常广泛，这种技术我觉得有点像模板匹配，其核心在于：通过指纹的相似度来搜索最相似的图片。 至于为什么可以实现跟踪，因为
python 实现感知哈希算法
最新发布
luthane的博客
08-07 698
感知哈希算法（Perceptual Hash Algorithm，简称PHA）是哈希算法的一类，主要用于相似图片的搜索工作。PHA通过提取图片中的特征来生成一组指纹（虽然不是唯一的），这些指纹可以进行比较。具体来说，算法会将比较结果组合成一个64位的整数，作为图片的指纹。指纹的生成次序并不重要，只要保证所有图片都采用同样的次序即可（例如，自左到右、自顶向下、big-endian）。在得到指纹后，可以对比不同的图片，看看64位中有多少位是不一样的。
Python实现图像哈希算法——感知哈希
与其临渊羡鱼,不如退而结网
05-28 666
本篇文章介绍了Python实现图像哈希算法——感知哈希算法的方法，并提供了完整的源代码。然后再调用hamming_distance()函数，计算出这两张图片对应的哈希值之间的海明距离，输出结果即为这两张图片的相似度。哈希算法是现代计算机科学领域中最重要的算法之一，其应用广泛，比如在密码学中保护用户数据，快速找到相同文件，路由协议等。感知哈希算法的主要思想就是通过缩小图片尺寸、转化为灰度图、计算平均值、比较像素值与平均值大小，最后得到一串二进制Hash值表示图像的特征，从而实现图像比较与匹配。
Python:实现感知哈希算法(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
01-31 392
Python:实现感知哈希算法(附完整源码)
python---感知哈希算法
你说是就是吧
11-13 2630
某些情况下，我们需要检测图片之间的相似性，比较简单、易用的解决方案是采用感知哈希算法 感知哈希算法是一类算法的总称，包括aHash、pHash、dHash。顾名思义，感知哈希不是以严格的方式计算Hash值，而是以更加相对的方式计算哈希值，因为“相似”与否，就是一种相对的判定。 aHash：平均值哈希。速度比较快，但是常常不太精确 pHash：感知哈希。精确度比较高，但是速度方面较差一些 dHas...
感知哈希算法（pHash算法+python代码实现）
ogzhen的博客
08-06 3014
感知哈希算法（pHash算法+python代码实现） pHash算法是计算图片相似度算法的一种，可以用在以图搜图上面，原理也很简单，下面简单罗列一下算法过程： 缩放图片尺寸：缩放到8*8的大小，这里是为了去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异； 简化色彩：将缩放后的图片转化为灰度图 计算平均值，计算64个像素点的平均值 比较灰度图的像素值：将64个像素点的值...
相似图片检测：感知哈希算法之dHash的Python实现
热门推荐
常思考->有目标->重实践->善反思
10-09 1万+
某些情况下，我们需要检测图片之间的相似性，进行我们需要的处理：删除同一张图片、标记盗版等。 如何判断是同一张图片呢？最简单的方法是使用加密哈希（例如MD5, SHA-1）判断。但是局限性非常大。例如一个txt文档，其MD5值是根据这个txt的二进制数据计算的，如果是这个txt文档的完全复制版，那他们的MD5值是完全相同的。但是，一旦改变副本的内容，哪怕只是副本的缩进格式，其MD5也会天差地别。因
Python实现图像哈希算法——感知哈希算法
pytorchCode的博客
08-10 1055
Python实现图像哈希算法——感知哈希算法感知哈希算法（Perceptual Hash Algorithm）是一种可以对图像进行哈希操作的算法，简称为pHash。该算法通过将图片压缩、缩小再转化为灰度图，然后计算出每个像素点的灰度平均值，得到一个64位的哈希值，表示了该图片的特征信息。通过比较两幅图片的哈希值之间的汉明距离来确定图片的相似程度。下面我们就来实现这个算法，让它可以应用于实际的图片处理中。代码实现：首先，需要导入所需的库：cv2、numpy、hashlib等。import cv2。
感知哈希算法 python 3.4
weixin_30824277的博客
07-29 195
#!/usr/bin/python # -*- coding: UTF-8 -*- #Less than 10 add to list and sort import glob import os import sys from functools import reduce from PIL import Image EXTS = 'jpg', '...
PyPhash: Python实现的感知哈希算法库
gitblog_00009的博客
03-08 636
PyPhash: Python实现的感知哈希算法库 PyPhash是一个用Python编写的感知哈希算法库，可以用来计算图像的相似度。它利用了人眼对图像局部变化不敏感的特点，通过一种称为"差分图像"的方法将图像转换为一个固定长度的摘要向量，从而达到比较图像相似度的目的。 PyPhash可以用来做什么？ 图像检索：通过比较图像的摘要向量，可以从大量的图像中快速找到与目标图像最相...
哈希算法python_感知哈希算法——Python实现【转】
weixin_39765588的博客
12-08 430
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.youkuaiyun.com/m_buddy/article/details/788872481. 前言现在手中只有一张图像需要在一个集合中去找到与之最相近的那一张，这个过程实际是一个匹配的过程，特别是在多模态医学图像中解决这样的问题是比较迫切的，今年试验了一种广泛使用的...
感知哈希算法——Python实现【转】
weixin_30919571的博客
09-05 191
转自：https://blog.youkuaiyun.com/m_buddy/article/details/78887248 版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.youkuaiyun.com/m_buddy/article/details/788872481. 前言现在手中只有一张图像需要在一个集合中去找...
感知哈希算法(perceptual hash algorithm)，
07-11 3553
感知哈希算法(perceptual hash algorithm)，它的作用是对每张图像生成一个“指纹”(fingerprint)字符串，然后比较不同图像的指纹。结果越接近，就说明图像越相似。 实现步骤： 1.      缩小尺寸：将图像缩小到8*8的尺寸，总共64个像素。这一步的作用是去除图像的细节，只保留结构/明暗等基本信息，摒弃不同尺寸/比例带来的图像差异； 2.      简化色
python实现感知哈希算法
08-13
感知哈希算法（Perceptual Hash Algorithm，简称PHash）是一种用于图片相似度比较的算法，通过对图像进行降维处理，将图像转化为一个唯一的hash值，然后通过计算hash值的差异度来判断图像的相似程度。下面是用Python实现PHash算法的步骤： 1. 图像预处理：首先，将图像转为灰度图像，这样可以减少计算复杂度。使用Python的PIL库可以方便地实现这一步骤。 2. 图像缩放：为了降低计算复杂度，将图像缩小到一个固定的大小，如8x8像素。这一步骤也可以使用PIL库来实现。 3. 离散余弦变换（Discrete Cosine Transform，简称DCT）：对缩小后的图像进行DCT变换，得到频域信息。可以使用Python的numpy库中的dct函数来计算DCT。 4. 量化：将DCT系数量化，得到一个8x8的二进制矩阵，其中大于平均值为1，小于平均值为0。 5. 生成hash值：将量化后的二进制矩阵转为一个唯一的hash值。可以将矩阵展平，并将每个元素按顺序拼接成一个长字符串，然后使用Python的hash函数计算出一个hash值。 通过上述步骤，就可以实现PHash算法。使用Python中的PIL库和numpy库可以方便地进行图像处理和计算操作。具体实现的代码可以参考以下示例： ```python from PIL import Image import numpy as np def perceptual_hash(image_path): # 图像预处理 image = Image.open(image_path).convert('L') # 图像缩放 image = image.resize((8, 8), Image.ANTIALIAS) # 离散余弦变换 dct_coeffs = np.asarray(image, dtype=float) dct_coeffs = np.round(dct_coeffs) - 128 dct_coeffs = np.fft.dct(dct_coeffs) dct_coeffs = dct_coeffs[:8, :8] # 量化 avg = np.mean(dct_coeffs) hash_value = np.where(dct_coeffs > avg, 1, 0) # 生成hash值 hash_value = hash_value.flatten().tolist() hash_value = ''.join(map(str, hash_value)) hash_value = hash(hash_value) return hash_value # 使用示例 image1_path = 'image1.jpg' image2_path = 'image2.jpg' hash1 = perceptual_hash(image1_path) hash2 = perceptual_hash(image2_path) print("Image1 hash value:", hash1) print("Image2 hash value:", hash2) ``` 以上代码中的`image1.jpg`和`image2.jpg`分别为待比较的两张图片，根据输出的hash值可以判断两张图片的相似性。如果hash值越接近，则表示图片越相似。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值