OpenCV感知哈希——计算图像相似

你可以用一张图片，搜索互联网上所有与它相似的图片。
这种技术的原理是什么？计算机怎么知道两张图片相似呢？
根据Neal Krawetz博士的解释，原理非常简单易懂。我们可以用一个快速算法，就达到基本的效果。
这里的关键技术叫做"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。
下面是一个最简单的实现：

第一步，缩小尺寸。
将图片缩小到8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。

第二步，简化色彩。
将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。

第三步，计算平均值。
计算所有64个像素的灰度平均值。

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。
第五步，计算哈希值。
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。

得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算"汉明距离"（Hamming distance）。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。
具体的代码实现，可以参见Wote用python语言写的imgHash.py。代码很短，只有53行。使用的时候，第一个参数是基准图片，第二个参数是用来比较的其他图片所在的目录，返回结果是两张图片之间不相同的数据位数量（汉明距离）。
这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。
实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。

参考：http://www.ruanyifeng.com/blog/2011/07/principle_of_similar_image_search.html

利用OpenCV实现：

#include 
#include 
#include 
#include 
#include 

using namespace std;
using namespace cv;

int PerHash(string ImageName1, string ImageName2) {
	
	cv::Mat matSrc1, matSrc2;

	matSrc1 = cv::imread(ImageName1, CV_LOAD_IMAGE_COLOR);
	matSrc2 = cv::imread(ImageName2, CV_LOAD_IMAGE_COLOR);
	
	//1.缩小尺寸
	//将图片缩小到8x8的尺寸，总共64个像素。
	//这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。
	cv::Mat matDst1, matDst2;

	cv::resize(matSrc1, matDst1, cv::Size(8, 8), 0, 0, cv::INTER_CUBIC);
	cv::resize(matSrc2, matDst2, cv::Size(8, 8), 0, 0, cv::INTER_CUBIC);

	//2.简化色彩
	//将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。
	cv::cvtColor(matDst1, matDst1, CV_BGR2GRAY);
	cv::cvtColor(matDst2, matDst2, CV_BGR2GRAY);

	//3.计算平均值
	//计算所有64个像素的灰度平均值。
	int iAvg1 = 0, iAvg2 = 0;
	int arr1[64], arr2[64];

	for (int i = 0; i < 8; i++) {
		uchar* data1 = matDst1.ptr(i);
		uchar* data2 = matDst2.ptr(i);

		int tmp = i * 8;

		for (int j = 0; j < 8; j++) {
			int tmp1 = tmp + j;

			arr1[tmp1] = data1[j] / 4 * 4;
			arr2[tmp1] = data2[j] / 4 * 4;

			iAvg1 += arr1[tmp1];
			iAvg2 += arr2[tmp1];
		}
	}

	iAvg1 /= 64;
	iAvg2 /= 64;

	//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。
	for (int i = 0; i < 64; i++) {
		arr1[i] = (arr1[i] >= iAvg1) ? 1 : 0;
		arr2[i] = (arr2[i] >= iAvg2) ? 1 : 0;
	}

	//5.计算哈希值
        //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。
	int iDiffNum = 0;

	for (int i = 0; i < 64; i++)
		if (arr1[i] != arr2[i])
			++iDiffNum;

	return iDiffNum;
}

int main() {
	string ImageName1 = "E:\\图片\\img1.bmp";
	string ImageName2 = "E:\\图片\\img2.bmp";

	int iDiffNum = PerHash(ImageName1, ImageName2);
	
	cout << "iDiffNum = " << iDiffNum << endl;


	//得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。
	//在理论上，这等同于计算"汉明距离"（Hamming distance）。
	//如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。
	if (iDiffNum <= 5)
		cout << "two images are very similar!" << endl;
	else if (iDiffNum > 10)
		cout << "they are two different images!" << endl;
	else
		cout << "two image are somewhat similar!" << endl;
	char ch = getchar();
}

测试结果如下：

选取两张相似的图像

运行结果如下：