%http://blog.sina.com.cn/s/blog_b27f71160101gp9c.html
clear;
close all;
clc;
srcDir=uigetdir('Choose source directory.'); 
cd(srcDir);
allnames=struct2cell(dir('*.jpg'));
[k,len]=size(allnames); 
FinalResult = {};

for i=1:len
    name=allnames{1,i};
picture1 = imread(name);
picture2 = imread('006.jpg');
v=tineyesearch_ahash(picture1,picture2);
FinalResult{i,1} = char('006.jgp');
FinalResult{i,2} = name;
FinalResult{i,3} = v;
end

figure('NumberTitle','off','Name','统计表');
columnname =   {'ReferenceImage','TestImage','SimilarScore'};     %各列的名称
% columnformat = {'numeric','bank','numeric'};  %各列的数据范例
columneditable =  [false true true];                %各列是否是可编辑的，true是可以编辑，false是不行编辑
t = uitable('Units','normalized','Position',...
    [0.1 0.1 0.9 0.9],'Data',FinalResult,...
    'ColumnName',columnname,...
    'ColumnEditable',columneditable);

详细的代码实现，可以拜见Wote用python说话写的imgHash.py。代码很短，只有53行。行使的时辰，第一个参数是基准图片，第二个参数是用来较量的其他图片地址的目次，返回功效是两张图片之间不沟通的数据位数目（汉明间隔）。

这种算法的利益是简朴快速，不受图片巨细缩放的影响，弱点是图片的内容不能改观。假如在图片上加几个笔墨，它就认不出来了。以是，它的最佳用途是按照缩略图，找出原图。

现实应用中，每每回收更强盛的pHash算法和SIFT算法，它们可以或许辨认图片的变形。只要变形水平不高出25%，它们就能匹配原图。这些算法固然更伟大，可是道理与上面的轻盈算法是一样的，就是先将图片转化成Hash字符串，然后再举办较量。

假如图片放大或缩小，或改变纵横比，功效值也不会改变。增进或镌汰亮度或比拟度，或改变颜色，对hash值都不会太大的影响。最大的利益：计较速率快！

假如你想较量两张图片，为每张图片结构hash值而且计较差异位的个数。(汉明间隔)假如这个值为0，则暗示这两张图片很是相似，假如汉明间隔小于5，则暗示有些差异，但较量临近，假如汉明间隔大于10则表白完全差异的图片。

二、结果更佳的感知哈希算法pHash

固然均值哈希更简朴且更快速，可是在较量上更古板、僵硬。它也许发生错误的裂痕，假若有一个伽马校正或颜色直方图被用于到图像。这是由于颜色沿着一个非线性标尺?-?改变个中“均匀值”的位置，并因此改变哪些高于/低于均匀值的比特数。

一个更结实的算法叫pHash，?pHash的做法是将均值的要领施展到极致。行使离散余弦调动(DCT)低落频率。

均匀哈希算法过于严酷，不足准确，更得当搜刮缩略图，为了得到更准确的功效可以选择感知哈希算法，它回收的是DCT（离散余弦调动）来低落频率的要领

1.缩小尺寸

pHash以小图片开始，但图片大于8*8，32*32是最好的。这样做的目标是简化了DCT的计较，而不是减小频率。

2.简化色彩

将图片转化成灰度图像，进一步简化计较劲。

3.计较DCT

DCT是把图片解析频率聚积和梯状形，固然JPEG行使8*8的DCT调动，在这里行使32*32的DCT调动。

4.缩小DCT

固然DCT的功效是32*32巨细的矩阵，但我们只要保存左上角的8*8的矩阵，这部门泛起了图片中的最低频率。

5.计较均匀值

犹如均值哈希一样，计较DCT的均值，

6.进一步减小DCT

这是最首要的一步，按照8*8的DCT矩阵，配置0或1的64位的hash值，大于便是DCT均值的设为”1”，小于DCT均值的设为“0”。功效并不能汇报我们真实性的低频率，只能大致地汇报我们相对付均匀值频率的相比拟例。只要图片的整体布局保持稳固，hash功效值就稳固。可以或许停止伽马校正或颜色直方图被调解带来的影响。

7.结构hash值

将64bit配置成64位的长整型，组合的序次并不重要，只要担保全部图片都回收同样序次就行了。将32*32的DCT转换成32*32的图像。

与均值哈希一样，pHash同样可以用汉明间隔来举办较量。(只必要较量每一位对应的位置并算计差异的位的个数)

步调声名:

步调：

1.缩小图片：32 * 32是一个较好的巨细，这样利便DCT计较

2.转化为灰度图：把缩放后的图片转化为256阶的灰度图。（详细算法见均匀哈希算法步调）

3.计较DCT:DCT把图片疏散因素率的荟萃

4.缩小DCT：DCT是32*32，保存左上角的8*8，这些代表的图片的最低频率

5.计较均匀值：计较缩小DCT后的全部像素点的均匀值。

6.进一步减小DCT：大于均匀值记录为1，反之记录为0.

7.获得信息指纹：组合64个信息位，次序随意保持同等性即可。

8.比拟指纹：计较两幅图片的指纹，计较汉明间隔（从一个指纹到另一个指纹必要变屡次），汉明间隔越大则声名图片越纷歧致，反之，汉明间隔越小则声名图片越相似，当间隔为0时，声名完全沟通。（凡是以为间隔>10 就是两张完全差异的图片）

行使matlab实现 PHash 算法

clear;

close all;
clc;
% read image
I = imread('cameraman.tif');

% cosine transform and reduction
d = dct2(I);
d = d(1:8,1:8);

% compute average
a = mean(mean(d));

% set bits,here unclear whether > or >= shall be used
b = d > a;
% maybe convert to string:
string = num2str(b(:)');

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!