一种基于颜色统计和特征指纹的图片相似度计算方法

最新推荐文章于 2024-07-31 16:14:03 发布

奥特曼不秃头

最新推荐文章于 2024-07-31 16:14:03 发布

阅读量2.7k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：图像处理文章标签：图片相似度颜色分量统计感知哈希算法

本文链接：https://blog.youkuaiyun.com/github_35965351/article/details/82704313

本文介绍了基于颜色统计和感知哈希的图片相似度计算方法，包括感知哈希的离散余弦变换和颜色分量统计的详细步骤，通过结合两种算法来提高相似度计算的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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):