感知哈希算法--python实现

    最近在看运动目标跟踪方面的资料，偶然间看到zouxy09大神的一篇《基于感知哈希算法的视觉跟踪》，觉得挺有意思的。于是去查了相关的感知哈希的资料，发现在图片搜索领域里面应用非常广泛，这种技术我觉得有点像模板匹配，其核心在于：通过指纹的相似度来搜索最相似的图片。

    基于zouxy09大神的c++程序改写了一个python版本，并且增加了差值哈希的实现。

——————————————————————————————————————————

一、算法原理及过程

1.ahash算法

    在向下采样的过程中，只保留图像的低频信息。

    工作过程：

    ①缩小尺寸，简化色彩：8*8灰度

    ②计算灰度均值：64个灰度值的平均

    ③生成哈希码：将64个灰度值与上一步生成的平均值进行比较。比均值大，则置1；比均值小，则置0。从而得到一个包含64个元素的“指纹”。

    ④计算汉明距离：将两个“指纹”进行比较，计算它们的汉明距离。（==0）：非常相似；（<5）: 相似; （>10）: 不同

2.phash算法

    均值哈希虽然简单，但是受均值影响大。如果对图像进行伽马校正或者进行直方图均值化都会影响均值，从而影响哈希值的计算。所以就有人提出更健壮的方法，通过离散余弦（DCT）进行低频提取。

    离散余弦变换（DCT）是种图像压缩算法，它将图像从像素域变换到频率域。然后一般图像都存在很多冗余和相关性的，所以转换到频率域之后，只有很少的一部分频率分量的系数才不为0，大部分系数都为0（或者说接近于0）。下图的右图是对lena图进行离散余弦变换（DCT）得到的系数矩阵图。从左上角依次到右下角，频率越来越高，由图可以看到，左上角的值比较大，到右下角的值就很小很小了。换句话说，图像的能量几乎都集中在左上角这个地方的低频系数上面了。