感知哈希算法（Perceptual hash algorithm） 以图搜图

1.序
目前“以图搜图”的引擎越来越多，可参考博文：
http://blog.csdn.net/forthcriminson/article/details/8698175
此篇博文中列出了很多“以图搜图”的引擎，之前很好奇他们是如何进行检索的，偶然间看到了一篇博客，上面说Google和Tineye主要利用的算法是感知哈希算法（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，里面介绍的原理也比较简单，正好目前也在做图像检索方面的课题，就用OpenCV实现了一下，供大家参考，本篇博文主要介绍如何通过OpenCV实现均值Hash和pHash算法，基本原理和流程会在代码的注释中详细说明。

2.均值Hash算法
//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;iuchar>(i);  
        for(int j=0;j4;            }  
    }  

        /* 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;iuchar>(i);  
        for(int j=0;j0)  
                rst[index++]='0';  
            else  
                rst[index++]='1';  
        }  
    }  
    return rst;  
 }  

1. pHash算法

//pHash算法  
 string pHashValue(Mat &src)  
 {  
     Mat img ,dst;  
     string rst(64,'\0');  
     double dIdex[64];  
     double mean = 0.0;  
     int k = 0;  
     if(src.channels()==3)  
     {  
         cvtColor(src,src,CV_BGR2GRAY);  
         img = Mat_<double>(src);  
     }     
     else  
     {  
         img = Mat_<double>(src);  
     }       

        /* 第一步，缩放尺寸*/  
     resize(img, img, Size(8,8));  

        /* 第二步，离散余弦变换，DCT系数求取*/  
     dct(img, dst);   

        /* 第三步，求取DCT系数均值（左上角8*8区块的DCT系数）*/  
     for (int i = 0; i < 8; ++i) {  
         for (int j = 0; j < 8; ++j)   
         {  
             dIdex[k] = dst.at<double>(i, j);  
             mean += dst.at<double>(i, j)/64;  
             ++k;  
         }  
     }  

        /* 第四步，计算哈希值。*/  
     for (int i =0;i<64;++i)  
     {  
         if (dIdex[i]>=mean)  
         {  
             rst[i]='1';  
         }  
         else  
         {  
             rst[i]='0';  
         }  
     }  
     return rst;  
 }  

4.汉明距离计算
通过上面两段代码就可以计算出图像的Hash值，检索的时候一般采用汉明距离来进行判断两幅图像的相似性，一般情况下认为汉明距离小于5，就可以认为两幅图像时相似的。汉明具体计算实现：
//汉明距离计算

 int HanmingDistance(string &str1,string &str2)  
 {  
    if((str1.size()!=64)||(str2.size()!=64))  
        return -1;  
    int difference = 0;  
    for(int i=0;i<64;i++)  
    {  
        if(str1[i]!=str2[i])  
            difference++;  
    }  
    return difference;  
 }  

5.算法性能测试

      为了验证该算法的性能，我进行了一些简单的测试，发现非等比例的图像缩放对均值Hash算法的性能有很大影响，如我进行测试的图像时640*480的，当我将其缩放为100*100时，两幅图像之间的汉明距离为28，两幅图像的Hash值相差较大，这说明非等比例的图像缩放会会使得基于均值Hash算法的图像检索出现错误，而pHash算法则在计算汉明距离后为4，这说明pHash算法对尺度的变化的鲁棒性强于均值Hash算法。
    接下来我又对其对旋转的鲁棒性进行了一定的测试，测试图像如下所示

均值Hash算法测试结果：

pHash算法测试结果：

从测试结果中可以看出无论是均值Hash算法还是pHash算法，对旋转都不具有鲁棒性，只是pHash算法相对来说好一些， 一个真正的可商用的“以图搜图”引擎， 仍然需要对其进行改进，类似于原文中说的一样，如果不对其进行改进，目前只能由于以缩略图查找原图的情况。

6.相关JAVA实现

均值Hash算法：http://blog.csdn.net/luoweifu/article/details/7733030
pHash算法：http://blog.csdn.net/luoweifu/article/details/8220992