图像相似度Hash算法的示例分析

这篇文章主要介绍图像相似度Hash算法的示例分析，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

图像的相似度Hash算法

Hash算法有三种，分别为平均哈希算法(aHash)、感知哈希算法你(pHash)和差异哈哈希算法(dHash)。

本文实现针对平均哈希算法；

1 平均哈希算法（aHash）

1.1 算法步骤

       平均哈希算法是三种Hash算法中最简单的一种，它通过下面几个步骤来获得图片的Hash值，这几个步骤分别是(1) 缩放图片；（2）转灰度图; (3) 算像素均值；（4）根据相似均值计算指纹。具体算法如下所示:

　　表1 aHash得到图片Hash值地算法

得到图片的ahash值后，比较两张图片ahash值的汉明距离，通常认为汉明距离小于10的一组图片为相似图片。

  Demo 界面/  

  获取aHash函数如下：

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
            //转灰度图 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  差异哈希算法
    begin

    end;
  end;
  Result := ret;
end;

计算汉明距离函数：

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“图像相似度Hash算法的示例分析”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！