|
使用OpenCV实现以图搜图
什么是以图搜图？感知哈希算法算法实现步骤效果源码
什么是以图搜图？
以图搜图，简单来说，就是通过搜索图像的文本或视觉特征，帮助用户找到与这张图片相似或相关的其他图形图像资料。
感知哈希算法
感知哈希算法（Perceptual Hashing Algorithm，简称PHA或PHash）是一种用于检测非结构化数据（如图像、视频、音频）相似性的技术。其原理是利用数据的频谱特征来描述对象，并通过一定的数学方法计算出一个哈希码（Hash String），以此来表示该对象的特征。当数据的频谱特征发生变化时，其对应的哈希码也会相应改变。
算法实现步骤
感知哈希算法实现步骤主要包括以下几步：
缩小尺寸：将图像缩小到一定的尺寸，比如8x8，总共64个像素。这一步的目的是去除图像的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图像差异。简化色彩：将缩小后的图像转为灰度图，即所有像素点都转换为灰度值。简化色彩有助于突出图像的主要特征，降低计算的复杂度。计算平均值：计算所有像素的灰度平均值。这个平均值将作为后续比较像素灰度的基准。比较像素灰度：将每个像素的灰度值与平均值进行比较。如果像素的灰度值大于或等于平均值，则记录为1，否则记录为0。计算哈希值：将上一步的比较结果组合在一起，形成一个固定长度的哈希值。这个哈希值就是图像的“指纹”，代表了图像的主要特征。对比图片指纹：在生成了每个图像的哈希值（即指纹）之后，就可以开始对比不同的图片指纹了。通常，会计算两个指纹之间的差异度，例如，通过比较两个哈希值中不同位的数量。如果差异度低于某个预设的阈值，就认为这两张图片是相似的；如果差异度高于阈值，则认为它们是不同的图片。
效果
要搜索的图片：  搜索的图片库：  匹配出3个最接近的图片： 
源码
import glob
import cv2
import numpy as np
import matplotlib.pyplot as plt
# ------------------ 辅助函数 ------------------
def resize_and_grayscale(image, size=(8, 8)):
"""将图像缩放并转换为灰度图。"""
resized = cv2.resize(image, size)
gray = cv2.cvtColor(resized, cv2.COLOR_BGR2GRAY)
return gray
def compute_hash(image, size=(8, 8)):
"""计算图像的感知哈希值。"""
gray = resize_and_grayscale(image, size)
mean = np.mean(gray)
binary = (gray > mean).astype(int)
return binary.flatten()
def compute_hamming_distance(hash1, hash2):
"""计算两个哈希值之间的汉明距离。"""
xor = np.bitwise_xor(hash1, hash2)
return np.sum(xor)
def load_images_from_folder(folder, extensions=('jpg', 'jpeg', 'gif', 'png', 'bmp')):
"""从指定文件夹加载图像，并返回图像文件名和哈希值的列表。"""
images = []
for ext in extensions:
images.extend(glob.glob(f'{folder}/*.{ext}'))
hashes = {img_path: compute_hash(cv2.imread(img_path)) for img_path in images}
return hashes
# ------------------ 主程序 ------------------
def main():
# 设置检索图像路径
query_image_path = "img_2.png"
query_image = cv2.imread(query_image_path)
if query_image is None:
print(f"Error: Unable to load query image {query_image_path}")
return
query_hash = compute_hash(query_image)
print(f"检索图像的感知哈希值为：\n{query_hash}")
# 加载指定文件夹下的所有图像及其哈希值
image_hashes = load_images_from_folder('img')
# 找出最相似的图像
distances = [(compute_hamming_distance(query_hash, image_hash), image_path)
for image_path, image_hash in image_hashes.items()]
sorted_distances = sorted(distances)
# 绘制结果
fig, axs = plt.subplots(1, 4, figsize=(12, 4))
axs[0].imshow(cv2.cvtColor(query_image, cv2.COLOR_BGR2RGB))
axs[0].set_axis_off()
axs[0].set_title("Query Image")
for i, (distance, image_path) in enumerate(sorted_distances[:3], start=1):
image = cv2.imread(image_path)
axs[i].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
axs[i].set_axis_off()
axs[i].set_title(f"Result {i} - Distance: {distance}")
plt.tight_layout()
plt.show()
if __name__ == "__main__":
main()
|