一种基于颜色统计和特征指纹的图片相似度计算方法

1.摘要

图片相似度有很多实际应用，比如谷歌搜图、淘宝识物购买，现在很多类似应用已经使用神经网络训练实现，但是本文仅仅从图像处理角度出发，根据图像内容特征信息实现图片相似度计算。如题描述，我们将从颜色和内容信息两方面进行。

2.实现

本节内容将从原理、代码实现并结合应用效果介绍感知哈希算法和颜色分量统计算法

from math import sqrt
import numpy as np
import pandas as pd
import itertools

2.1.感知哈希算法

原理描述：结合离散余弦变换，将灰度图片所包含的特征生成一组指纹（哈希值），计算图片相似度即计算图片指纹的相似度。
关于离散余弦变换：灰度图是二维矩阵，由不同频率的成分组成。一般来说亮度变化小的区域是低频成分，它描述大范围的信息。而亮度变化剧烈的区域（比如物体的边缘）就是高频的成分，它描述具体的细节。由于大多数自然信号的能量都集中在余弦变换后的低频部分，可以舍弃信息含量更少的高频部分而提高计算效率，具体使用方法是离散余弦变换（DCT）。
具体步骤：

简化色彩：BGR2GRAY；
计算DCT：计算图片的DCT变换，得到32*32的DCT系数矩阵；
缩小DCT：保留左上角的8*8的矩阵（最低频率）；
计算平均值：计算DCT的均值；
计算hash值：根据8*8的DCT矩阵，设置0或1的64位的hash值，大于等于DCT均值的设为”1”，小于DCT均值的设为“0”。将得到的二维数组拉伸成一维，构成了一个长度为64位的向量，这就是这张图片的指纹；
计算两张图片指纹，使用汉明距离计算相似度。

结果并不能告诉我们真实性的低频率，只能粗略地告诉我们较于平均值频率的相对比例。只要图片的整体结构保持不变，hash结果值就不变。能够避免伽马校正或颜色直方图被调整带来的影响。

#均值哈希算法
def aHash(img):
    img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    s=0
    hash_str=''
    for i in range(8):
        for j in range(8):
            s=s+gray[i,j]
    avg=s/64
    for i in range(8):
        for j in range(8):
            if  gray[i,j]>avg:
                hash_str=hash_str+'1'
            else:
                hash_str=hash_str+'0'            
    return hash_str

#差值感知算法
def dHash(img):
    img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC)
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    hash_str=''
    for i in range(8):
        for j in range(8):
            if   gray[i,j]>gray[i,j+1]:
                hash_str=hash_str+'1'
            else:
                hash_str=hash_str+'0'
    return hash_str

# 感知哈希算法
def pHash(img):
    img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    img=cv2.resize(img,(32,32),interpolation=cv2.INTER_CUBIC)

    _ = np.array(img,np.float32)
    __ = cv2.dct(_)
    #取低频区域
    img_dct = __[:8,:8]

    #把二维list变成一维list
    img_list = []
    for i in img_dct.tolist():
        for j in i:
            img_list.append(j)
    
    #计算均值并哈希转换
    avg = sum(img_list)*1./len(img_list)
    hash_str = ''
    for i in img_list:
        if i > avg:
            hash_str=hash_str+'1'
        else:
            hash_str=hash_str+'0' 
    return hash_str
    
#Hash值对比
def compCode(code1,code2,length):
    num = 0
    for index in range(0,len(code1)):
        if code1[index] != code2[index]:
            num+=1
    return (1-(num / length))

# 感知哈希算法使用：
compCode(pHash(img_a),pHash(img_b),64)

2.2.颜色分量统计算法

原理描述：每张图片都有自己特定的颜色分布。将1600多万种颜色分为N个颜色区间，对每张图片，统计其每个颜色区间的像素个数，获得一组长度为N的向量。计算图片相似度即计算向量之间的相似度。
具体步骤：

规整尺寸：resize(102410243)；
颜色分区：将RGB每个颜色通道均分为m个数值区间，共得到m的三次方（记为N）个颜色区间；
统计每个颜色区间内的像素个数，获得向量；
计算向量之间的相似度；

# 代码不贴了 有兴趣私聊

3.验证效果

感知哈希算法中，经过了余弦离散变化，图像内部信息的大都集中在低频区域，将计算重点缩小至该区域，但是仅仅对灰度图研究，丢失了颜色信息，而颜色分量统计算法从颜色角度出发，统计了整张图片的颜色分布情况，两种方法结合保证了相似度的准确性。

以下风景图(450×800×3)为例，记为img
Original

将原图上下平均拆分
img_up:225×800
img_dn:225×800
将原图左右比例拆分
img_left:450×600
img_right:450×600

感知哈希算法效果如下：
这里写图片描述

综合两种算法一起的效果如下：
这里写图片描述

参考：https://blog.youkuaiyun.com/haofan_/article/details/77097473?locationNum=7&fps=1