以图搜图实现原理以及相关算法学习

最简单的搜索算法:均值hash

其工作流程如下:

• 缩小尺寸: 去除高频和细节的最快方法是缩小图片，将图片缩小到8x8的尺寸，总共64个像素。不要保持纵横比，只需将其变成8*8的正方形。这样就可以比较任意大小的图片，摒弃不同尺寸、比例带来的图片差异。

---

• 简化色彩: 将8*8的小图片转换成灰度图像。

---

• 计算平均值: 计算所有64个像素的灰度平均值。

---

• 比较像素的灰度: 将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。

---

• 计算hash值: 将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。

一点解释: 如果图片放大或缩小，或改变纵横比，结果值也不会改变。增加或减少亮度或对比度，或改变颜色，对hash值都不会太大的影响。
最大优点:-----计算速度快！

那么完成了以上步骤,一张图片就相当于有了自己的"指纹"了,然后就是计算不同位的个数---汉明距离了
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则表明完全不同的图片。

缺点: 但受均值的影响非常大。如对图像进行伽马校正或直方图均衡就会影响均值，从而影响最终的hash值。

改良版:pHash
pHash的工作过程如下：

• (1）缩小尺寸：pHash以小图片开始，但图片大于88，3232是最好的。这样做的目的是简化了DCT的计算，而不是减小频率。

• （2）简化色彩：将图片转化成灰度图像，进一步简化计算量。

• （3）计算DCT：计算图片的DCT变换，得到32*32的DCT系数矩阵。

• （4）缩小DCT：虽然DCT的结果是3232大小的矩阵，但我们只要保留左上角的88的矩阵，这部分呈现了图片中的最低频率。

• （5）计算平均值：如同均值哈希一样，计算DCT的均值。

• （6）计算hash值：这是最主要的一步，根据8*8的DCT矩阵，设置0或1的64位的hash值，大于等于DCT均值的设为”1”，小于DCT均值的设为“0”。组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。

优点：只要图片的整体结构保持不变，hash结果值就不变。能够避免伽马校正或颜色直方图被调整带来的影响。
与均值哈希一样，pHash同样可以用汉明距离来进行比较。