圖像相似度Hash算法的示例分析

這篇文章主要介紹圖像相似度Hash算法的示例分析，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

圖像的相似度Hash算法

Hash算法有三種，分別為平均哈希算法(aHash)、感知哈希算法你(pHash)和差異哈哈希算法(dHash)。

本文實現針對平均哈希算法；

1 平均哈希算法（aHash）

1.1 算法步驟

       平均哈希算法是三種Hash算法中最簡單的一種，它通過下面幾個步驟來獲得圖片的Hash值，這幾個步驟分別是(1) 縮放圖片；（2）轉灰度圖; (3) 算像素均值；（4）根據相似均值計算指紋。具體算法如下所示:

　　表1 aHash得到圖片Hash值地算法

得到圖片的ahash值后，比較兩張圖片ahash值的漢明距離，通常認為漢明距離小于10的一組圖片為相似圖片。

  Demo 界面/  

  獲取aHash函數如下：

function TForm1.GetHash(src: TBitmap; iType: Integer): Int64;
var
  p: PByteArray;
  bmp: TBitmap;
  x, y: Integer;
  gray, sum: Integer;
  ct: array[0..7, 0..7] of Byte;
  avg: Single;
  ret: Int64;
begin
  ret := 0;
  case iType of
    0:  // aHash  平均哈希算法
    begin
      bmp := TBitmap.Create;
      try
        bmp.Assign(src);
        bmp.Width := 8;
        bmp.Height := 8;
        bmp.PixelFormat := pf24bit;
        sum := 0;
        for y := 0 to 7 do
        begin
          p := bmp.ScanLine[y];
          for x := 0 to 7 do
          begin
            //轉灰度圖 平均值法
            gray := (p[3 * x + 2] + p[3 * x + 1] + p[3 * x]) div 3;
            ct[y, x] := gray;
            sum := sum + gray;
          end;
        end;
        avg := sum/64;
        for y := 0 to 7 do
          for x := 0 to 7 do
            ret := ret shl 1 or Ord(ct[y, x] > avg);
      finally
        bmp.Free;
      end;
    end;
    1:  // pHash  感知哈希算法
    begin

    end;
    2:  // dHash  差異哈希算法
    begin

    end;
  end;
  Result := ret;
end;

計算漢明距離函數：

function TForm1.Hamming(Hash2, Hash3: Int64): Integer;
var
  A: Int64;
begin
  Result := 0;
  A := Hash2 xor Hash3;
  while A<>0 do
  begin
    A := A and (A-1);
    Inc(Result);
  end;
end;

以上是“圖像相似度Hash算法的示例分析”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！