感知雜湊演算法

」感知雜湊演算法」（perceptual hash algorithm），它的作用是對每張生成乙個」指紋」（fingerprint）字串，然後比較不同的指紋。結果越接近，就說明越相似。

缺點：的內容不能更改。

hash演算法原理

第一步，縮小尺寸。

將縮小到8×8的尺寸，總共64個畫素。這一步的作用是去除的細節，只保留結構、明暗等基本資訊，摒棄不同尺寸、比例帶來的差異。

第二步，簡化色彩。

將縮小後的，轉為64級灰度。也就是說，所有畫素點總共只有64種顏色。

第三步，計算平均值。

計算所有64個畫素的灰度平均值。

第四步，比較畫素的灰度。

將每個畫素的灰度，與平均值進行比較。大於或等於平均值，記為1；小於平均值，記為0。

第五步，計算雜湊值。

將上一步的比較結果，組合在一起，就構成了乙個64位的整數，這就是這張的指紋。組合的次序並不重要，只要保證所有都採用同樣次序就行了。

得到指紋以後，就可以對比不同的，看看64位中有多少位是不一樣的。在理論上，這等同於計算「漢明距離」（hamming distance）。如果不相同的資料位不超過5，就說明兩張很相似；如果大於10，就說明這是兩張不同的。

phash演算法原理：

均值雜湊雖然簡單，但受均值的影響非常大。例如對影象進行伽馬校正或直方圖均衡就會影響均值，從而影響最終的hash值。存在乙個更健壯的演算法叫phash。它將均值的方法發揮到極致。使用離散余弦變換(dct)來獲取的低頻成分。

提取過程如下：

（1）縮小尺寸：phash以小開始，但大於8*8，32*32是最好的。這樣做的目的是簡化了dct的計算，而不是減小頻率。

（4）縮小dct：雖然dct的結果是32*32大小的矩陣，但我們只要保留左上角的8*8的矩陣，這部分呈現了中的最低頻率。

（5）計算平均值：如同均值雜湊一樣，計算dct的均值。

（6）計算hash值：這是最主要的一步，根據8*8的dct矩陣，設定0或1的64位的hash值，大於等於dct均值的設為」1」，小於dct均值的設為「0」。組合在一起，就構成了乙個64位的整數，這就是這張的指紋。

結果並不能告訴我們真實性的低頻率，只能粗略地告訴我們相對於平均值頻率的相對比例。只要的整體結構保持不變，hash結果值就不變。能夠避免伽馬校正或顏色直方圖被調整帶來的影響。

與均值雜湊一樣，phash同樣可以用漢明距離來進行比較。(只需要比較每一位對應的位置並算計不同的位的個數)

phash演算法和sift演算法可以找到變形不超過25%的。

基於雜湊演算法的視覺目標跟蹤

看起來像它——影象搜尋其實也不難

相似搜尋原理

tineye檢索**

谷歌搜尋引擎