一、项目介绍

以图搜图的关键技术叫做“感知哈希算法”（Perceptual hash algorithm），即用一个特征向量（“指纹”（fingerprint）字符串）来描叙一张图片，然后比较不同图像的指纹，差异越小，说明图像越相似。

例如在购物电商系统中，通过以图搜图上传一张iphone14搜索出相类似的商品如下图所示：

借助OpenCV中的按位异或函数cv2.bitwise_xor()，可以计算出哈希值的距离。在进行按位异或运算时，如果两个数的运算数相同则返回0，否则返回1。例如：

cv2.bitwise_xor('1011', '1010') 可以得到的结果为：’0001‘

cv2.bitwise_xor('1111', '0010') 可以得到的结果为：’1101‘

本文以一个小型以图搜图项目，介绍感知哈希的计算流程以及代码实现。

二、计算流程

基于感知哈希算法的计算流程：

OpenCV修改尺寸

cv2.resize(src, size)

OpenCV色彩空间转换

cv2.cvtColor(img,  cv2.COLOR_BRG2GRAY）

Numpy计算像素均值

m = np.mean()

构造感知哈希位信息

#如果像素点的像素值大于均值，得到1，否则为0
r = img > m
r.astype(int)

转换一维数据哈希值

函数flatten()
注意：flatten()可以将原始的二维数据转换为一维数组，数据发生变化，不会对原来的数据造成影响。

cv2.bitwise_xor计算距离

cv2.bitwise_xor(src1, src2)  #异或运算（相同为0， 不同为1），
np.sum()   #逐位进行求和

遍历所有图像，计算图像内所有图像哈希值

glob.glob('images/*.png')

结果显示

cv2.imread()
plt.subplot(nrows, ncols, index)    #行数、列数、窗口序号
plt.imshow()

三、代码实现

import glob
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1、提取感知哈希值
def getHash(I):
    size = (8, 8)
    I = cv2.resize(I, size)
    I = cv2.cvtColor(I, cv2.COLOR_BGR2GRAY)
    m = np.mean(I)
    r = (I>m).astype(int)
    x = r.flatten()
    return x

# 2、计算汉明距离
def hamming(h1, h2):
    r = cv2.bitwise_xor(h1, h2)
    h = np.sum(r)
    return h

# 3、计算检索图像的感知哈希值
o = cv2.imread('sun1.png')
h = getHash(o)
# print('图像的感知哈希值：', h)

images = []
# EXTS = 'jpg', 'jpeg', 'gif', 'png', 'bmp'

images.extend(glob.glob('images/*.png'))
# print(images)

seq = []
for f in images:
    I = cv2.imread(f)
    seq.append((f, getHash(I)))

# print(seq)

# 4、计算检索图像与图像库内所有图像的距离，将最小距离对应的图像作为检索结果
distance = []
for x in seq:
    distance.append((hamming(h, x[1]), x[0]))

# print(distance)

s = sorted(distance)
# print(s)

r = []
for i in range(9):
    r.append(cv2.imread(str(s[i][1])))
    # r2 = cv2.imread(str(s[1][1]))
    # r3 = cv2.imread(str(s[2][1]))


plt.figure('result')
plt.subplot(331)
plt.imshow(cv2.cvtColor(o, cv2.COLOR_BGR2RGB))
plt.axis('off')

plt.subplot(332)
plt.imshow(cv2.cvtColor(r[0], cv2.COLOR_BGR2RGB))
plt.axis('off')

plt.subplot(333)
plt.imshow(cv2.cvtColor(r[1], cv2.COLOR_BGR2RGB))
plt.axis('off')

plt.subplot(334)
plt.imshow(cv2.cvtColor(r[2], cv2.COLOR_BGR2RGB))
plt.axis('off')

plt.subplot(335)
plt.imshow(cv2.cvtColor(r[3], cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(336)
plt.imshow(cv2.cvtColor(r[4], cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(337)
plt.imshow(cv2.cvtColor(r[5], cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(338)
plt.imshow(cv2.cvtColor(r[6], cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(339)
plt.imshow(cv2.cvtColor(r[7], cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.show()