JAVA二值图像相似_基于感知哈希算法的相似图像检索技术及java代码实现

目录

1、基于低频的均值哈希

2、增强版：pHash

3、差异哈希算法(dHash)

均值哈希实现图像内容相似度比较完整JAVA代码

大家都用google或baidu的识图功能，上面就是我搜索一幅图片的结果，该引擎实现相似图片搜素的关键技术叫做“感知哈希算法”(Perceptual hash algorithm)，它的作用是对每张图片生成一个“指纹”(fingerprint)字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。达到图片比较目的且利用信息指纹比较有三种算法，这些算法都很易懂，下面分别介绍一下：

1、基于低频的均值哈希

一张图片就是一个二维信号，它包含了不同频率的成分。如下图所示，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。或者说高频可以提供图片详细的信息，而低频可以提供一个框架。

而一张大的，详细的图片有很高的频率，而小图片缺乏图像细节，所以都是低频的。所以我们平时的下采样，也就是缩小图片的过程，实际上是损失高频信息的过程。下面5张图依次是原图，放缩至64*64、32*32、16*16、8*8的图。

    

  

  

  

均值哈希算法主要是利用图片的低频信息，其工作过程如下：

(1)缩小尺寸：去除高频和细节的最快方法是缩小图片，将图片缩小到8x8的尺寸，总共64个像素。不要保持纵横比，只需将其变成8*8的正方形。这样就可以比较任意大小的图片，摒弃不同尺寸、比例带来的图片差异。

(2)简化色彩：将8*8的小图片转换成灰度图像。

(3)计算平均值：计算所有64个像素的灰度平均值。

(4)比较像素的灰度：将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。

(5)计算hash值：将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。(我设置的是从左到右，从上到下用二进制保存)。

//均值Hash算法

string HashValue(Mat &src)

{

string rst(64,'\0');

Mat img;

if(src.channels()==3)

cvtColor(src,img,CV_BGR2GRAY);

else

img=src.clone();

/*第一步，缩小尺寸。

将图片缩小到8x8的尺寸，总共64个像素,去除图片的细节*/

resize(img,img,Size(8,8));

/* 第二步，简化色彩(Color Reduce)。

将缩小后的图片，转为64级灰度。*/

uchar *pData;

for(int i=0;i

{

pData = img.ptr(i);

for(int j=0;j

{

pData[j]=pData[j]/4; }

}

/* 第三步，计算平均值。

计算所有64个像素的灰度平均值。*/

int average = mean(img).val[0];

/* 第四步，比较像素的灰度。

将每个像素的灰度，与平均值进行比较。大于或等于平均值记为1,小于平均值记为0*/

Mat mask= (img>=(uchar)average);

/* 第五步，计算哈希值。*/

int index = 0;

for(int i=0;i

{

pData = mask.ptr(i);

for(int j=0;j

{

if(pData[j]==0)

rst[index++]='0';