1. 介绍
均值哈希算法（Average Hash Algorithm，简称aHash） 是哈希算法的一种，主要用来做相似图片的搜索工作。
2. 原理
均值哈希算法（aHash）首先将原图像缩小成一个固定大小的像素图像，然后将图像转换为灰度图像，通过缩小图像的每个像素与平均灰度值的比较，生成一组哈希值。最后，利用两组图像的哈希值的汉明距离来评估图像的相似度。
魔法： 概括地讲，均值哈希算法一共可细分六步：
- 缩小图像： 将目标图像缩小为一个固定的大小，通常为8x8像素，总共64个像素。作用是去除各种图像尺寸和图像比例的差异，只保留结构、明暗等基本信息，目的是确保图像的一致性，降低计算的复杂度。
- 图像灰度化： 将缩小的图像转换为灰度图像。
- 灰度平均值： 计算灰度图像的平均灰度值。减少计算量。
- 比较平均值： 遍历灰度图像的每个像素，比较每个像素的灰度值是否大于或小于平均值。对于大于等于平均值的像素，将其表示为1，对于小于平均值的像素，将其表示为0。最后，得到一个64位的二进制值（8x8像素的图像）。
- 生成哈希值： 由于64位二进制值太长，所以按每4个字符为1组，由2进制转成16进制。这样就转为一个长度为16的字符串。这个字符串也就是这个图像可识别的哈希值，也叫图像指纹，即这个图像所包含的特征。
- 哈希值比较： 通过比较两个图像的哈希值的汉明距离（Hamming Distance），就可以评估图像的相似度，距离越小表示图像越相似。
3. 实验
第一步：缩小图像
将目标图像缩小为一个固定的大小，通常为8x8像素，总共64个像素。作用是去除各种图像尺寸和图像比例的差异，只保留结构、明暗等基本信息，目的是确保图像的一致性，降低计算的复杂度。
1）读取原图
# 测试图片路径
img_path = 'img_test/apple-01.jpg'
# 通过OpenCV加载图像
img = cv2.imread(img_path)
# 通道重排，从BGR转换为RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
2）缩小原图
# 缩小图像：使用OpenCV的resize函数将图像缩放为8x8像素，采用Cubic插值方法进行图像重采样
img_resize = cv2.resize(img, (8, 8), cv2.INTER_CUBIC)
OpenCV 的 cv2.resize() 函数提供了4种插值方法，以根据图像的尺寸变化来进行图像重采样。
- cv2.INTER_NEAREST： 最近邻插值，也称为最近邻算法。它简单地使用最接近目标像素的原始像素的值。虽然计算速度快，但可能导致图像质量下降。
- cv2.INTER_LINEAR： 双线性插值，通过对最近的4个像素进行线性加权来估计目标像素的值。比最近邻插值更精确，但计算成本略高。
- cv2.INTER_CUBIC： 双三次插值，使用16个最近像素的加权平均值来估计目标像素的值。通常情况下，这是一个不错的插值方法，适用于图像缩小。
- cv2.INTER_LANCZOS4： Lanczos插值，一种高质量的插值方法，使用Lanczos窗口函数。通常用于缩小图像，以保留图像中的细节和纹理。
第二步：图像灰度化
将缩小的图像转换为灰度图像。也就是说，所有像素点总共只有64种灰度颜色。
# 图像灰度化：将彩色图像转换为灰度图像。
img_gray = cv2.cvtColor(img_resize, cv2.COLOR_BGR2GRAY)
print(f"缩放8x8的图像中每个像素的颜色=\n{img_gray}")
输出打印：
缩放8x8的图像中每个像素的颜色=
[[253 253 253 253 253 253 253 253]
[253 253 253 148 253 253 253 253]
[253 253 253 215 178 253 253 253]
[253 253 119 93 132 176 253 253]
[253 253 61 61 53 130 253 253]
[253 253 112 67 66 142 253 253]
[253 253 252 54 54 253 253 253]
[253 253 236 63 146 249 253 253]]
第三步：灰度平均值
计算灰度图像的平均灰度值。减少计算量。
img_average = np.mean(img_gray)
print(f"灰度图像中所有像素的平均值={img_average}")
输出打印：
灰度图像中所有像素的平均值=209.890625
第四步：比较平均值
遍历灰度图像的每个像素，比较每个像素的灰度值是否大于或小于平均值。对于大于等于平均值的像素，将其表示为1；对于小于平均值的像素，将其表示为0。最后，得到一组长64位的二进制字符串（8x8像素的图像）。因为对于机器而言，只认识0和1，所以这组64位的二进制就可以表示这张图像的结构和亮度分布。
# 遍历图像像素：嵌套循环遍历图像的所有像素，对比灰度图像的平均灰度值，转换为二进制的图像哈希值
img_hash_binary = []
for i in range(img_gray.shape[0]):
for j in range(img_gray.shape[1]):
if img_gray[i,j] >= img_average:
img_hash_binary.append(1)
else:
img_hash_binary.append(0)
print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）数组={img_hash_binary}")
# 将列表中的元素转换为字符串并连接起来，形成一组64位的图像二进制哈希值字符串
img_hash_binary_str = ''.join(map(str, img_hash_binary))
print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）={img_hash_binary_str}")
代码分解和含义如下：
- 初始化空列表：创建一个空的列表 img_hash_binary，用于存储图像的哈希值。
- 遍历图像像素：嵌套循环遍历图像的所有像素，其中 img_gray 是输入的灰度图像，img_gray.shape[0] 和 img_gray.shape[1] 分别表示图像的高度和宽度。
- 计算平均值：代码中使用变量 img_average 存储了一个平均值，用于与图像像素的灰度值进行比较。
- 根据亮度值生成哈希值：对于每个像素，代码比较像素的灰度值与平均值 (img_gray[i, j] >= img_average)。如果像素的灰度值大于或等于平均值，就将数字1添加到 img_hash_binary 列表中，表示该像素是亮的。如果像素的灰度值小于平均值，就将数字0添加到 img_hash_binary 列表中，表示该像素是暗的。
- 最终哈希值：完成循环后，img_hash_binary 列表将包含图像的二进制哈希值，其中每个元素代表一个像素的明暗情况。
输出打印：
对比灰度图像的平均像素值降噪（图像的二进制形式）数组=[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1]
对比灰度图像的平均像素值降噪（图像的二进制形式）=1111111111101111111101111100001111000011110000111110011111100111
或者，使用等价的 lambda 表达式。效果一样。
# lambda表达式
img_hash_binary_str = ""
for i in range(8):
img_hash_binary_str += ''.join(map(lambda i: '0' if i < img_average else '1', img_gray[i]))
print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）={img_hash_binary_str}")
输出打印：
对比灰度图像的平均像素值降噪（图像的二进制形式）=1111111111101111111101111100001111000011110000111110011111100111
第五步：生成哈希值
由于64位二进制值太长，所以按每4个字符为1组，由2进制转成16进制。这样就转为一个长度为16的字符串。这个字符串也就是这个图像可识别的哈希值，也叫图像指纹，即这个图像所包含的特征。
img_hash = ""
for i in range(0, 64, 4):
img_hash += "".join('%x' % int(img_hash_binary_str[i : i + 4], 2))
print(f"图像可识别的哈希值={img_hash}")
代码分解和含义如下：
- 初始化为空字符串：创建一个空的字符串 img_hash，用于存储图像哈希值的十六进制表示。
- 遍历二进制哈希值：通过循环，代码以4位为一组遍历二进制哈希值 img_hash_binary_str。range(0, 64, 4) 确保代码在哈希值的每4位之间进行迭代。
- 将4位二进制转换为一个十六进制字符：在每次循环中，代码取出哈希值中的4位二进制（例如，img_hash_binary_str[i : i + 4]），然后使用’%x’ % int(…, 2) 将这4位二进制转换为一个十六进制字符。int(…, 2) 将二进制字符串转换为整数，‘%x’ 将整数转换为十六进制字符。
- 将十六进制字符追加到 img_hash：在每次循环中，得到的十六进制字符将被追加到 img_hash 字符串中。
- 最终哈希值：完成循环后，img_hash 将包含图像哈希值的十六进制表示，其中每个字符表示4位二进制。
输出打印：
图像可识别的哈希值=ffeff7c3c3c3e7e7
第六步：哈希值比较
通过比较两个图像的哈希值的汉明距离（Hamming Distance），就可以评估图像的相似度，距离越小表示图像越相似。
def hamming_distance(s1, s2):
# 检查这两个字符串的长度是否相同。如果长度不同，它会引发 ValueError 异常，因为汉明距离只适用于等长的字符串
if len(s1) != len(s2):
raise ValueError("Input strings must have the same length")
distance = 0
for i in range(len(s1)):
# 遍历两个字符串的每个字符，比较它们在相同位置上的值。如果发现不同的字符，将 distance 的值增加 1
if s1[i] != s2[i]:
distance += 1
return distance
汉明距离： 两个长度相同的字符串在相同位置上的字符不同的个数。即一组二进制数据变成另一组数据所需要的步骤数。汉明距离越小，则相似度越高。汉明距离为0，即两张图片完全一样。
4. 测试
实验场景
我们来简单测试一下基于均值哈希算法的以图搜图 – 基于一张原图找最相似图片，看看效果如何。
这里，我准备了10张图片，其中9张是苹果，但形态不一，1张是梨子。
实验素材
实验代码
"""
以图搜图：均值哈希算法（Average Hash Algorithm，简称aHash）的原理与实现
测试环境：win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1
实验时间：2023-10-31
"""
import os
import cv2
import time
import numpy as np
import matplotlib.pyplot as plt
def get_aHash(img_path):
# 读取图像：通过OpenCV的imread加载RGB图像
img_rgb = cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)
# 缩小图像：使用OpenCV的resize函数将图像缩放为8x8像素，采用Cubic插值方法进行图像重采样
img_resize = cv2.resize(img_rgb, (8, 8), cv2.INTER_CUBIC)
# 图像灰度化：将彩色图像转换为灰度图像
img_gray = cv2.cvtColor(img_resize, cv2.COLOR_BGR2GRAY)
# print(f"缩放32x32的图像中每个像素的颜色=\n{img_gray}")
# 灰度图像中所有像素的平均值
img_average = np.mean(img_gray)
"""
# # 比较平均值：嵌套循环遍历图像的所有像素，对比灰度图像的平均灰度值，转换为二进制的图像哈希值
# # img_gray：是灰度图像
# # img_gray.shape[0] 和 img_gray.shape[1] 分别表示图像的高度和宽度
# img_hash_binary = []
# for i in range(img_gray.shape[0]):
# for j in range(img_gray.shape[1]):
# if img_gray[i,j] >= img_average:
# img_hash_binary.append(1)
# else:
# img_hash_binary.append(0)
# print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）数组={img_hash_binary}")
# # 将列表中的元素转换为字符串并连接起来，形成一组64位的图像二进制哈希值字符串
# img_hash_binary_str = ''.join(map(str, img_hash_binary))
# print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）={img_hash_binary_str}")
# # 生成哈希值
# img_hash = ""
# # 遍历二进制哈希值：通过循环，代码以4位为一组遍历二进制哈希值 img_hash_binary_str。
# # range(0, 64, 4) 确保代码在哈希值的每4位之间进行迭代。
# for i in range(0, 64, 4):
# # 将4位二进制转换为一个十六进制字符
# # 在每次循环中，代码取出哈希值中的4位二进制（例如，img_hash_binary_str[i : i + 4]）
# # 然后使用'%x' % int(..., 2)将这4位二进制转换为一个十六进制字符。
# # int(..., 2)将二进制字符串转换为整数，'%x'将整数转换为十六进制字符。
# # 将十六进制字符追加到 img_hash：在每次循环中，得到的十六进制字符将被追加到 img_hash 字符串中。
# img_hash += "".join('%x' % int(img_hash_binary_str[i : i + 4], 2))
# print(f"图像可识别的哈希值={img_hash}")
"""
# 遍历图像像素：嵌套循环遍历图像的所有像素，对比灰度图像的平均灰度值，转换为二进制的图像哈希值
img_hash_binary_str = ''
for i in range(8):
img_hash_binary_str += ''.join(map(lambda i: '0' if i < img_average else '1', img_gray[i]))
# 图像可识别哈希值
img_hash = ''.join(map(lambda x:'%x' % int(img_hash_binary_str[x : x + 4], 2), range(0, 64, 4)))
return img_hash
# 汉明距离：计算两个等长字符串（通常是二进制字符串或位字符串）之间的汉明距离。用于确定两个等长字符串在相同位置上不同字符的数量。
def hamming_distance(s1, s2):
# 检查这两个字符串的长度是否相同。如果长度不同，它会引发 ValueError 异常，因为汉明距离只适用于等长的字符串
if len(s1) != len(s2):
raise ValueError("Input strings must have the same length")
distance = 0
for i in range(len(s1)):
# 遍历两个字符串的每个字符，比较它们在相同位置上的值。如果发现不同的字符，将 distance 的值增加 1
if s1[i] != s2[i]:
distance += 1
return distance
# -------------------------------------------------- 测试 --------------------------------------------------
time_start = time.time()
# 指定测试图像库目录
img_dir = 'img_test'
# 指定测试图像文件扩展名
img_suffix = ['.jpg', '.jpeg', '.png', '.bmp', '.gif']
# 获取当前执行脚本所在目录
script_dir = os.path.dirname(__file__)
# 获取目标测试图像的全路径
img_org_path = os.path.join(script_dir, img_dir, 'apple-01.jpg')
# 获取目标图像可识别哈希值（图像指纹）
org_img_hash = get_aHash(img_org_path)
print(f"目标图像：{os.path.relpath(img_org_path)}，图片HASH：{org_img_hash}")
# 获取测试图像库中所有文件
all_files = os.listdir(os.path.join(script_dir, img_dir))
# 筛选出指定后缀的图像文件
img_files = [file for file in all_files if any(file.endswith(suffix) for suffix in img_suffix)]
img_hash_all = []
# 遍历测试图像库中的每张图像
for img_file in img_files:
# 获取相似图像文件路径
img_path = os.path.join(script_dir, img_dir, img_file)
# 获取相似图像可识别哈希值（图像指纹）
img_hash = get_aHash(img_path)
# 获取相似图像与目标图像的汉明距离
distance = hamming_distance(org_img_hash, img_hash)
# 存储相似图像的相对路径、哈希值、汉明距离
img_hash_all.append((os.path.relpath(img_path), img_hash, distance))
for img in img_hash_all:
print(f"图像：{img[0]}，图像HASH：{img[1]}，与图像目标的相似值（汉明距离）：{img[2]}")
time_end = time.time()
print(f"耗时：{time_end - time_start}")
输出打印：
目标图像：..\..\P1_Hash\01_aHash\img_test\apple-01.jpg，图片HASH：ffeff7c3c3c3e7e7
图像：..\..\P1_Hash\01_aHash\img_test\apple-01.jpg，图像HASH：ffeff7c3c3c3e7e7，与图像目标的相似值（汉明距离）：0
图像：..\..\P1_Hash\01_aHash\img_test\apple-02.jpg，图像HASH：ffcfc3e3e3e3e7ff，与图像目标的相似值（汉明距离）：8
图像：..\..\P1_Hash\01_aHash\img_test\apple-03.jpg，图像HASH：ffe7c3c3c3c7c7ff，与图像目标的相似值（汉明距离）：7
图像：..\..\P1_Hash\01_aHash\img_test\apple-04.jpg，图像HASH：e7e7c3c3c3eff7ff，与图像目标的相似值（汉明距离）：10
图像：..\..\P1_Hash\01_aHash\img_test\apple-05.jpg，图像HASH：f3f3e7c7c3c7c7e7，与图像目标的相似值（汉明距离）：7
图像：..\..\P1_Hash\01_aHash\img_test\apple-06.jpg，图像HASH：ffffd981818189dd，与图像目标的相似值（汉明距离）：13
图像：..\..\P1_Hash\01_aHash\img_test\apple-07.jpg，图像HASH：fff7f3e3e3e3f0ff，与图像目标的相似值（汉明距离）：10
图像：..\..\P1_Hash\01_aHash\img_test\apple-08.jpg，图像HASH：000006fdf171f9f8，与图像目标的相似值（汉明距离）：16
图像：..\..\P1_Hash\01_aHash\img_test\apple-09.jpg，图像HASH：ffcfe7c1c1c3e7ff，与图像目标的相似值（汉明距离）：6
图像：..\..\P1_Hash\01_aHash\img_test\pear-001.jpg，图像HASH：fffbe5c1c3c3c3ef，与图像目标的相似值（汉明距离）：8
耗时：0.09973335266113281
简单的测试分析：
| 原图 | 相似图片 | 相似值（汉明距离） | 相似图片特点 | 相似图片与原图Hash对比结果 |
|---|---|---|---|---|
| 图片01 | 图片01 | 0 | 自己 | 自己与自己相似度100% |
| 图片01 | 图片09 | 6 | 青苹果 | 最相似。相同背景相同物体位置下最相似。 |
| 图片01 | 图片03、图片05 | 7 | 红蛇果（苹果）、青苹果（2D） | 次相似。同上，单物体对比时，背景、物体位置越近越相似。 |
| 图片01 | 图片02 | 8 | 两者几乎相似 | 比较相似。影响相似距离的似乎是苹果下方的阴影有无。 |
| 图片01 | 图片pear-001 | 8 | 黄色的梨子 | 意外相似。相似搜索并不能识别物体/内容，因为工作原理是通过图片灰度后的灰色像素点位置与对比。 |
| 图片01 | 图片04 | 10 | 原图像的180度旋转图 | 相差甚远。对于原图旋转变换相对不敏感，因为均值哈希算法只捕获了图像的平均亮度和粗略结构。 |
| 图片01 | 图片06、07、08 | 10以上 | 复杂、多主体、多色调 | 较难分辨。复杂、多主体、多色调的图片较难与原图相似。 |
10张测试图片中，汉明距离在5以内1张；汉明距离在5以外9张。
从抽样简单测试结果看，平均哈希简单且计算速度快，但它对图像的细节变化比较敏感，容易受到局部图像的特性的干扰。
备注：如果汉明距离0，则表示这两张图片非常相似；如果汉明距离小于5，则表示有些不同，但比较相近；如果汉明距离大于10，则表明是完全不同的图片。
5. 总结
经过实验和测试，平均哈希算法优缺点明显。
特点： 传统，属于一种外观相似哈希算法。
优点： 简单、计算效率高，适用于快速图像相似性比较。
缺点： 对于图片的旋转和主体内容变换相对不敏感；对于复杂、多主体、多色调的图片较难相似，因为它只捕获了图片的平均亮度和粗略结构。
6. 实验问题
问题1： 为什么通过 cv2.imread(img_path) 加载的图像，显示出来之后，原图由红色变成了蓝色？
问题原因： 如果原图是红色的，但通过OpenCV加载显示的图像是蓝色的，这可能是由于图像的通道顺序不同导致的。在OpenCV中，图像的通道顺序通常是BGR（蓝绿红），而在一些其他库（如matplotlib）中，通常使用RGB（红绿蓝）通道顺序。
解决方案： 使用OpenCV的通道重排功能，将图像的通道顺序从BGR转换为RGB，然后再显示图像。以下是修改后的代码：
# 通过OpenCV加载图像
img = cv2.imread(img_path)
# 通道重排，从BGR转换为RGB
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
问题2： 为什么使用了 cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ，但显示出来图像是彩色的？
问题原因： 这可能是由于你使用了 matplotlib 来显示图像，而 matplotlib 默认将灰度图像显示为伪彩色图像。Matplotlib会将单通道的灰度图像（每个像素只有一个亮度值）显示为伪彩色图像以便于可视化。
解决方案： 在使用 imshow 函数显示图像时，添加 cmap 参数，并将其设置为 ‘gray’，以确保图像以灰度形式显示。例如：
# 测试图片路径
img_path = 'img_test/apple-01.jpg'
# 通过OpenCV加载图像
img = cv2.imread(img_path)
# 通道重排，从BGR转换为RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 使用OpenCV的resize函数将图像缩放为8x8像素，采用Cubic插值方法
img_resize = cv2.resize(img_rgb, (8, 8), cv2.INTER_CUBIC)
# 灰度化：将彩色图像转换为灰度图像。
img_gray = cv2.cvtColor(img_resize, cv2.COLOR_BGR2GRAY)
# 灰度形式查看图像
plt.imshow(img_gray, cmap='gray')
# 显示图像
plt.show()
文章来源：https://www.toymoban.com/news/detail-715812.html
7. 系列书签
OpenCV书签 #均值哈希算法的原理与相似图片搜索实验
OpenCV书签 #感知哈希算法的原理与相似图片搜索实验
OpenCV书签 #差值哈希算法的原理与相似图片搜索实验
OpenCV书签 #直方图算法的原理与相似图片搜索实验文章来源地址https://www.toymoban.com/news/detail-715812.html
到了这里，关于OpenCV #以图搜图：均值哈希算法（Average Hash Algorithm）原理与实验的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
