日日操夜夜添-日日操影院-日日草夜夜操-日日干干-精品一区二区三区波多野结衣-精品一区二区三区高清免费不卡

概述

一般情況下, 圖片相似算法分為三種

• 均值Hash算法
• 差異值hash算法
• 感知hash算法

其實三個算法差不多. 我們以均值hash算法為例, 算法的步驟如下:

1. 縮放為n*n的圖片
2. 去色, 獲取灰度圖
3. 得到hash指紋
4. 比較hash指紋的漢明距離, 得到相似值

上面算法的不同, 主要是得到hash指紋的算法不同

均值hash算法

我們舉例說明. 原圖如下:

縮放為8*8的圖片

代碼:

img = cv2.resize(img, (8, 8), interpolation=cv2.INTER_CUBIC)
復制代碼

縮放結果

去色

代碼

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
復制代碼

結果:

計算灰度平均值

 # 計算灰度平均值
 for i in range(8):
 for j in range(8):
 s = s + gray_img[i, j]
 avg = s / 64
復制代碼

計算結果為176

計算Hash指紋

計算方法為, 如果該點灰度值大于平均灰度值, 這為1, 否則為0, 代碼如下:

 # 如果值大于灰度值, 則為1, 否則為0. 生成hash指紋
 for i in range(8):
 for j in range(8):
 if gray_img[i, j] > avg:
 hash_str = hash_str + '1'
 else:
 hash_str = hash_str + '0'
復制代碼

計算漢明距離

漢明距離: 在信息論中，兩個等長字符串之間的漢明距離（英語：Hamming distance）是兩個字符串對應位置的不同字符的個數。 代碼:

def cmp_hash(hash_1, hash_2):
 # 計算漢明距離
 n = 0
 if len(hash_1) != len(hash_2):
 return -1
 for i in range(len(hash_1)):
 if hash_1[i] != hash_2[i]:
 n = n + 1
 return n
復制代碼

差異值hash算法

前面縮放, 置灰, 計算漢明距離等和平均值hash算法一樣, 區別在于計算hash指紋的算法不同. 該處算法為: 如果前一個像素大于后一個像素的灰度值, 則為1, 否則為0. 完整的算法如下:

# 差值感應hash
def b_hash(img):
 # 縮放到8*8的圖片
 img = cv2.resize(img, (9, 8), interpolation=cv2.INTER_CUBIC)
 # 得到灰度圖
 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 hash_str = ''
 # 如果前一個像素比后一個大, 則為1, 否則為0. 生成hash指紋
 for i in range(8):
 for j in range(8):
 if gray_img[i, j] > gray_img[i, j + 1]:
 hash_str = hash_str + '1'
 else:
 hash_str = hash_str + '0'
 return hash_str
復制代碼

感知Hash算法

前面兩種比較圖片相似的算法很好理解. 感應Hash算法的思想與之不同. 我們換一種角度來看待一張圖片. 一個圖片其實就是二維的信息圖譜, 有各種頻率的變化, 頻率高的地方代表顏色的變換比較大, 例如輪廓部分. 我們可以利用DCT變換(離散余弦變換)得到頻域圖. 比較低頻部分(為什么要比較低頻部分?) 是否相似就可以了.

原圖還是上面的原圖. 我們先進行縮放, 縮放為32*32的部分

灰度處理

進行DCT變換

我們拿到左上角的8*8的區域, 根據平均值hash算法比較這個灰度圖的漢明距離

完整的代碼如下:

# 感知hash
def p_hash(img):
 # 縮放到32 * 32
 img = cv2.resize(img, (32, 32), interpolation=cv2.INTER_CUBIC)
 cv2.imwrite("bb.jpg", img)
 # 得到灰度圖
 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 gray_img = gray_img.astype(np.float32)
 cv2.imwrite("cc.jpg", gray_img)
 # 進行離散余弦變換, 目的是將低頻部分放到左上角
 img = cv2.dct(gray_img)
 cv2.imwrite("dd.jpg", img)
 # 得到左上角8*8 的頻率圖
 img = img[0:8, 0:8]
 avg = 0
 # 與得到低頻圖的平均灰度
 hash_str = ''
 for i in range(8):
 for j in range(8):
 avg += img[i, j]
 avg = avg / 64
 # 如果低頻圖的像素值大于平均灰度, 則為1, 否則為0. 依次生成hash指紋
 for i in range(8):
 for j in range(8):
 if img[i, j] > avg:
 hash_str = hash_str + '1'
 else:
 hash_str = hash_str + '0'
 return hash_str
復制代碼

參考文獻：K碼農-http://kmanong.top/kmn/qxw/form/home?top_cate=28