感知哈希算法浅析

Posted 2021-04-30 三国测

(2011-08-16 17:26:13)

TinEye是如何工作的呢？这里面也许有十分复杂的原理。不过从结果看来，它使用了一种叫做“感知哈希算法（以下简称PHA）”的东西。

PHA是一类比较哈希方法的统称。图片所包含的特征被用来生成一组指纹（不过它不是唯一的）,而这些指纹是可以进行比较的。

PHA与加密哈希方法（以下简称CHA)，如MD5、SHA1等，是不同的概念。CHA的哈希值是随机的。用来生成哈希的数据的行为就像随机种子，所以相同的数据产生相同的结果，反之亦然。读者可以如下做ruby测试：

require 'digest/sha2'

......

#生成加密后的散列值

def self.encrypt(string)

return Digest::SHA256.hexdigest(string)

end

我对这方面未做深层研究，如有错误，不吝赐教。此文的重点不是CHA，恕草草带过。

如果想要深入理解下文内容的话，不妨读读我在ftp里的fourier相关文档，会有所收获。当然，不读也不会造成大的影响。（ftp具体在文末有提及）

     对于图片来说，高频得到细节，低频得到轮廓。所以小图缺少细节，是低频的。我先叙述一个阮一峰先生提及的最简单PHA，在此表示感谢。大家可一睹为快。

    

    第一步，缩小尺寸。

    最快速的去除高频和细节，只保留结构明暗的方法就是缩小尺寸。

    将图片缩小到8x8的尺寸，总共64个像素。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。

    算法的精髓，简单、有趣，又充满深意。

    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（例如，自左到右、自顶向下、big-endian）。

     = 8f373714acfcf4d0

    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。

     这个算法非常好，无论你改变图片的高宽、亮度甚至颜色，都不会改变哈希值。最关键的是速度极快！cool！

     我在ftp里放了这个算法的python版本（使用了PIL库），如果读者会ruby的话，不妨使用RMagick库，同样强大（文档：http://www.imagemagick.org/RMagick/doc/ 项目：http://rubyforge.org/projects/rmagick/）

     有没有更好的方法来判断相似度呢？有，pHash。这种方法稍复杂写，运用了DCT来降低频度，比起平均值方法更精确了。DCT参见 http://en.wikipedia.org/wiki/Discrete_cosine_transform

下面来看它的过程。

第一步，缩小尺寸。

与平均值方法类似，不过要比8X8大些，32X32是个好尺寸，这样做是为了简化DCT的计算，而不是降频。

     第二步，简化色彩。

改成灰度图，也是为了减少DCT计算量。

     第三步，计算DCT。

DCT将图片分成了频度和纯量的集合。当JPEG使用8X8的DCT时，算法就使用32X32的DCT。

     第四步，降低DCT。

当DCT是32X32时，只保留顶左的8X8，这部分代表了图片的最低频。这是神奇的一步。

第五步，计算平均值。

只用8X8的DCT低频值，因为DC系数和其他值相差很大，会破坏平均值。

第六步，进一步缩小DCT

将每个像素的灰度（64比特），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。图片结构不变，结果就不会变。这完成了关键的一步。

     第七步，构造哈希。

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。

 = 8a0303f6df3ec8cd

看上去很随机的blob,其实仔细看容易发现，黑点是头部轮廓和原图右边背景的垂直线。

     ftp://public.sjtu.edu.cn

用户名：yuanxiaodan 

 密码：public

在此再次感谢阮一峰先生的博文，并对前一篇文章末的承诺表示抱歉。

由于马尔可夫过程的研

究难度，博文计划延后，请期待。

转载列表：

• 
  

转载

转载是分享博文的一种常用方式...

以上网友发言只代表其个人观点，不代表新浪网的观点或立场。