python︱imagehash中的四种图像哈希方式（phash/ahash/dhash/小波hash）

悟乙己

发布于 2018-01-02 17:09:24

7.8K0

发布于 2018-01-02 17:09:24

code来源：https://github.com/JohannesBuchner/imagehash 外文原文：https://fullstackml.com/wavelet-image-hash-in-python-3504fdd282b5

可以直接pip：

pip install imagehash

1 perception hashing

感知哈希，不同于aHash，但首先它确实是离散余弦变换和频域。主函数：def phash(image, hash_size=8, highfreq_factor=4):

两个参数，一起决定了图片resize的大小，最适合的才最好，按照公式： img_size = hash_size * highfreq_factor
hash_size代表最终返回hash数值长度
highfreq_factor，代表resize的尺度

案例：

highfreq_factor = 1
hash_size = 8
img_size = hash_size * highfreq_factor

hash1 = imagehash.phash(Image.open('1_1.jpg'),hash_size=hash_size,highfreq_factor=highfreq_factor)
print(hash1)
# > 354adab5054af0b7

hash2 = imagehash.phash(Image.open('5_1.jpg'),hash_size=hash_size,highfreq_factor=highfreq_factor)
print(hash2)
# > 5b7724c8bb364551

1 - (hash1 - hash2)/len(hash1.hash)**2 # 相似性

2 average hashing

平均散列，对于每个像素输出1，如果该像素是大于或等于平均值，否则为0。 主函数：

  average_hash(image, hash_size=8)

案例：

hash_size = 6
hash1 = imagehash.average_hash(Image.open('1_1.jpg'),hash_size=hash_size)
print(hash1)
# > 354adab5054af0b7

hash2 = imagehash.average_hash(Image.open('5_1.jpg'),hash_size=hash_size)
print(hash2)
# > 5b7724c8bb364551

1 - (hash1 - hash2)/len(hash1.hash)**2 # 相似性

3 difference hashing

梯度散列，计算每个像素的差值，并与平均差异的差异进行比较。

def dhash(image, hash_size=8)

案例：

hash_size = 10
hash1 = imagehash.dhash(Image.open('5_1.jpg'),hash_size=hash_size)
print(hash1)
# > 354adab5054af0b7

hash2 = imagehash.dhash(Image.open('1_1.jpg'),hash_size=hash_size)
print(hash2)
# > 5b7724c8bb364551

1 - (hash1 - hash2)/len(hash1.hash)**2 # 相似性

4 wavelet hashing

离散小波变换（DWT）是频表示的另一种形式。流行的DCT和傅立叶变换使用余弦函数作为sin\cos的基础：sin(x)，sin(2x)，sin(3x)等等。与此相反，DWT使用一个单一的功能作为基础，但在不同的形式：缩放和移动。基础功能是可以改变的，这就是为什么我们可以有Haar小波，Daubechie-4小波等，这尺度效应给我们很大“时频表示”的时候，低频部分类似于原始信号。

小波散列，几天前我把它添加到库里。它的工作原理在频域中作为pHash但它使用DWT代替DCT变换。 主函数：

def whash(image, hash_size = 8, image_scale = None, mode = 'haar', remove_max_haar_ll = True)

参数：

mode: ‘haar’ - Haar wavelets, by default ‘db4’ - Daubechies wavelets
remove_max_haar_ll:是否去掉低频段位，low level (LL) frequency
image_scale:图像重新resize成多大，一定是2的倍数

案例：

hash_size = 8
mode = 'db4'
image_scale = 64
hash1 = imagehash.whash(Image.open('1_1.jpg'),image_scale=image_scale,hash_size=hash_size,mode = mode)
print(hash1)
# > 354adab5054af0b7

hash2 = imagehash.whash(Image.open('5_1.jpg'),image_scale=image_scale,hash_size=hash_size,mode = mode)
print(hash2)
# > 5b7724c8bb364551

1 - (hash1 - hash2)/len(hash1.hash)**2 # 相似性

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

如有侵权请联系 cloudcommunity@tencent.com 删除

大数据

图像处理

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

大数据

图像处理

登录后参与评论

0 条评论

热度