相似图片搜索中的均值哈希(aHash)

迷南。 2022-11-01 05:21 180阅读 0赞

# 1. 引入 #

参考1中介绍了相似图片搜索的基本原理，借助milvus（参考2）这样的相似性搜索引擎，我们可以非常快速的实现相似性搜索。

但实现搜索之前，需要把图片转换为特征向量。本文介绍的均值哈希，就是图片的一种特征。

# 2. 均值哈希的计算过程 #

1.  读入图片并转换为灰度图

import numpy as np
    import cv2
    img = cv2.imread('Alyson_Hannigan_200512.jpg', cv2.IMREAD_GRAYSCALE)# IMREAD_GRAYSCALE, IMREAD_COLOR

图片来自于参考4。

1.  resize图像大小

需要讲图片统一转换为固定的size，这样不同大小的图片才能得到固定size的哈希值

img2 = cv2.resize(img, (8, 8), interpolation=cv2.INTER_AREA)

resize这里使用不同的interpolation方法，得到的结果也会有些区别，可选值为

*  INTER\_NEAREST – a nearest-neighbor interpolation.
 *  INTER\_LINEAR – a bilinear interpolation (used by default)
 *  INTER\_AREA – resampling using pixel area relation. …
 *  INTER\_CUBIC – a bicubic interpolation over 4×4 pixel neighborhood.
 *  INTER\_LANCZOS4 – a Lanczos interpolation over 8×8 pixel neighborhood.

这里统一将图片大小固定为8x8，调整这个size，得到的哈希值长度也不同。

1.  求取灰度值均值

ave = np.mean(img2)

1.  得到二进制哈希值

遍历灰度图中的每一个像素，如果像素值大于灰度均值，则置为1，否则置为0.

hash_bin = ''
    for i in range(img2.shape[0]):
        for j in range(img2.shape[1]):
            value = img2[i][j]
            if value>ave:
                hash_bin+='1'
            else:
                hash_bin+='0'
    print(hash_bin)#1110011111000111110010111100001011000100111101001111100011101000
    print(len(hash_bin))#64

从这里可以看到，因为图片大小被固定为8x8，则最终有64位的哈希值。

1.  二进制字符串转换为16进制字符串

使用下面的程序，可以将“二进制字符串转换为16进制字符串”：

hash_hex = format(int(hash_bin, 2),'x')# bin to hex
    hash_hex.rjust(16,'0')# fixed to 16 hex values with zero pending
    print(hash_hex)# e7c7cbc2c4f4f8e8
    print(len(hash_hex))# 16

最终计算得到的“e7c7cbc2c4f4f8e8”，就是均值哈希值。

可以根据欧氏距离等距离计算方式，和其他图片的均值哈希进行对比，找到最相似（距离最近）的图片。

# 3. 两个均值哈希值的距离计算 #

如下代码，给定两个哈希值16进制字符串，计算其汉明距离：

# hex string 
    ahash_hex_1 = "e7c7cbc2c4f4f8e8"
    ahash_hex_2 = "8a0303f6df3ec8cd"
    scale = 16
    # convert hex to binary 
    ahash_bin_1 = bin(int(ahash_hex_1, scale)).zfill(64) # fixed 64 bit for this paper
    ahash_bin_2 = bin(int(ahash_hex_2, scale)).zfill(64) 
    # binary difference calculation
    diff = 0
    for i in range(len(ahash_bin_1)):
        b1 = ahash_bin_1[i]
        b2 = ahash_bin_2[i]
        if b1!=b2:
            diff+=1
    print(diff) #27

从这里可以得到，两个哈希值的区别（距离）为27。

# 4. 均值哈希的优缺点 #

1.  优点

*  简单、计算快
 *  等比例缩放后，图片的均值哈希值几乎不变
    
     *  因为最终resize后，均值与各个像素值都几乎不变
 *  线性增加或减少亮度，图片的均值哈希值都不变
    
     *  因为各个像素值与均值的差值都几乎不变

1.  缺点

非线性的对图片增加或减少亮度，会导致均值哈希值有较大的变化。这里说的非线性，就是指不对所有像素值进行相同倍数的增加/减少亮度，而是比如对\[0,120\]灰度值的增加50，对\[121,255\]的减少20，这样的变化，导致各个像素值与均值的差值变化很大。比如对图片进行伽马矫正后，其均值哈希值就变化很大了。

# 5. 总结 #

均值哈希算法，average hash，又叫aHash，是最简单的感知哈希算法。

本文给出了计算过程源码，也分析了其优缺点。

本文后续还将继续发布更复杂的哈希算法过程。

关于更多的相似图片搜索方法，见参考3. 本文用到的方法和更多细节，见参考4.

# 6. 参考 #

1.  http://www.ruanyifeng.com/blog/2011/07/principle\_of\_similar\_image\_search.html
2.  https://milvus.io/
3.  http://www.ruanyifeng.com/blog/2013/03/similar\_image\_search\_part\_ii.html
4.  http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html