该模块提供不同图像哈希算法的实现。

详细说明

提供用于提取图像哈希值和快速找出大型数据集中最相似图像的算法。

所有函数的命名空间为 cv::img_hash。

支持的算法

• 平均哈希（也称为差值哈希）
• PHash（也称为感知哈希）
• Marr Hildreth 哈希
• 径向方差哈希
• 块均值哈希（模式 0 和 1）
• 颜色矩哈希（这是唯一一种抗旋转攻击（-90~90 度）的哈希算法）

您可以从以下论文和网站了解更多关于图像哈希的信息。

• "感知图像哈希函数的实现和基准测试" [314]
• "看起来像" [149]

代码示例

#include "opencv2/core.hpp"
#include "opencv2/core/ocl.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/img_hash.hpp"
 
#include <iostream>
 
using namespace cv;
using namespace cv::img_hash;
using namespace std;
 
template <typename T>
inline void test_one(const std::string &title, const Mat &a, const Mat &b)
{
cout << "=== " << title << " ===" << endl;
    TickMeter tick;
    Mat hashA, hashB;
    Ptr<ImgHashBase> func;
func = T::create();
 
tick.reset(); tick.start();
func->compute(a, hashA);
tick.stop();
cout << "compute1: " << tick.getTimeMilli() << " ms" << endl;
 
tick.reset(); tick.start();
func->compute(b, hashB);
tick.stop();
cout << "compute2: " << tick.getTimeMilli() << " ms" << endl;
 
cout << "compare: " << func->compare(hashA, hashB) << endl << endl;;
}
 
int main(int argc, char **argv)
{
    if (argc != 3)
    {
cerr << "必须输入输入图像和目标图像的路径。例如：hash_samples lena.jpg lena2.jpg" << endl;
        return -1;
    }
    ocl::setUseOpenCL(false);
 
    Mat input = imread(argv[1]);
    Mat target = imread(argv[2]);
 
test_one<AverageHash>("AverageHash", input, target);
test_one<PHash>("PHash", input, target);
test_one<MarrHildrethHash>("MarrHildrethHash", input, target);
test_one<RadialVarianceHash>("RadialVarianceHash", input, target);
test_one<BlockMeanHash>("BlockMeanHash", input, target);
 
    return 0;
}

在不同攻击下的性能

性能图表

与 PHash 库的速度比较（来自 ukbench 的 100 张图像）

如您所见，img_hash 模块的哈希计算速度远超PHash 库。

PS：我没有列出平均哈希、PHash 和颜色矩哈希的比较，因为我在PHash 中找不到它们。

动机

将有用的图像哈希算法收集到 opencv 中，这样我们就不需要一次又一次地自己重写它们或依赖其他第三方库（例如：PHash 库）。BOVW 或相关性匹配很好且健壮，但与图像哈希相比它们非常慢，如果您需要处理大规模 CBIR（基于内容的图像检索）问题，图像哈希是更合理的解决方案。

更多信息

您可以从以下链接中了解更多关于img_hash 模块的信息，这些链接向您展示了如何从 ukbench 数据集中找到相似的图像，并提供了对不同攻击（对比度、模糊、噪声（高斯噪声、椒盐噪声）、jpeg 压缩、水印、调整大小）的全面基准测试。

OpenCV 图像哈希模块简介 加快 OpenCV（img_hash）的图像哈希速度并介绍颜色矩哈希

贡献者

Tham Ngap Wei，thamn.nosp@m.gapw.nosp@m.ei@gm.nosp@m.ail..nosp@m.com

类
class	cv::img_hash::AverageHash
	计算输入图像的平均哈希值。 更多...
class	cv::img_hash::BlockMeanHash
	基于块均值的图像哈希。 更多...
class	cv::img_hash::ColorMomentHash
	基于颜色矩的图像哈希。 更多...
class	cv::img_hash::ImgHashBase
	图像哈希算法的基类。 更多...
class	cv::img_hash::MarrHildrethHash
	基于 Marr-Hildreth 算子的哈希，速度最慢但更具辨别力。 更多...
class	cv::img_hash::PHash
	pHash 更多...
class	cv::img_hash::RadialVarianceHash
	基于 Radon 变换的图像哈希。 更多...

枚举
enum	cv::img_hash::BlockMeanHashMode {   cv::img_hash::BLOCK_MEAN_HASH_MODE_0 = 0 ,   cv::img_hash::BLOCK_MEAN_HASH_MODE_1 = 1 }

函数
void	cv::img_hash::averageHash (cv::InputArray inputArr, cv::OutputArray outputArr)
	一次调用计算 img_hash::AverageHash。
void	cv::img_hash::blockMeanHash (cv::InputArray inputArr, cv::OutputArray outputArr, int mode=BLOCK_MEAN_HASH_MODE_0)
	计算输入图像的块均值哈希。
void	cv::img_hash::colorMomentHash (cv::InputArray inputArr, cv::OutputArray outputArr)
	计算输入的颜色矩哈希，该算法来自论文 "Perceptual Hashing for Color Images Using Invariant Moments"。
void	cv::img_hash::marrHildrethHash (cv::InputArray inputArr, cv::OutputArray outputArr, float alpha=2.0f, float scale=1.0f)
	计算输入图像的平均哈希值。
void	cv::img_hash::pHash (cv::InputArray inputArr, cv::OutputArray outputArr)
	计算输入图像的 pHash 值。
void	cv::img_hash::radialVarianceHash (cv::InputArray inputArr, cv::OutputArray outputArr, double sigma=1, int numOfAngleLine=180)
	计算输入图像的径向方差哈希。

枚举类型文档

BlockMeanHashMode

enum cv::img_hash::BlockMeanHashMode

#include <opencv2/img_hash/block_mean_hash.hpp>

枚举器
BLOCK_MEAN_HASH_MODE_0  Python: cv.img_hash.BLOCK_MEAN_HASH_MODE_0	使用更少的块并生成 16*16/8 uchar 哈希值
BLOCK_MEAN_HASH_MODE_1  Python: cv.img_hash.BLOCK_MEAN_HASH_MODE_1	使用块块（步长大小/2），生成 31*31/8 + 1 uchar 哈希值

函数文档

averageHash()

void cv::img_hash::averageHash	(	cv::InputArray	inputArr,
		cv::OutputArray	outputArr
	)

Python
	cv.img_hash.averageHash(	inputArr[, outputArr]	) ->	outputArr

#include <opencv2/img_hash/average_hash.hpp>

一次调用计算 img_hash::AverageHash。

参数

inputArr	要计算哈希值的输入图像，类型应为 CV_8UC4、CV_8UC3 或 CV_8UC1。
outputArr	输入的哈希值，它将包含 16 个十六进制数字，返回类型为 CV_8U

blockMeanHash()

void cv::img_hash::blockMeanHash	(	cv::InputArray	inputArr,
		cv::OutputArray	outputArr,
		int	mode = BLOCK_MEAN_HASH_MODE_0
	)

Python
	cv.img_hash.blockMeanHash(	inputArr[, outputArr[, mode]]	) ->	outputArr

#include <opencv2/img_hash/block_mean_hash.hpp>

计算输入图像的块均值哈希。

参数

inputArr	要计算哈希值的输入图像，类型应为 CV_8UC4、CV_8UC3 或 CV_8UC1。
outputArr	输入的哈希值，它将包含 16 个十六进制数字，返回类型为 CV_8U
mode	模式

colorMomentHash()

void cv::img_hash::colorMomentHash	(	cv::InputArray	inputArr,
		cv::OutputArray	outputArr
	)

Python
	cv.img_hash.colorMomentHash(	inputArr[, outputArr]	) ->	outputArr

#include <opencv2/img_hash/color_moment_hash.hpp>

计算输入的颜色矩哈希，该算法来自论文 "Perceptual Hashing for Color Images Using Invariant Moments"。

参数

inputArr	要计算哈希值的输入图像，类型应为 CV_8UC4、CV_8UC3 或 CV_8UC1。
outputArr	42 个哈希值，类型为 CV_64F(double)

marrHildrethHash()

void cv::img_hash::marrHildrethHash	(	cv::InputArray	inputArr,
		cv::OutputArray	outputArr,
		float	alpha = 2.0f,
		float	scale = 1.0f
	)

Python
	cv.img_hash.marrHildrethHash(	inputArr[, outputArr[, alpha[, scale]]]	) ->	outputArr

#include <opencv2/img_hash/marr_hildreth_hash.hpp>

计算输入图像的平均哈希值。

参数

inputArr	要计算哈希值的输入图像，类型应为 CV_8UC4、CV_8UC3 或 CV_8UC1。
outputArr	输入的哈希值，它将包含 16 个十六进制数字，返回类型为 CV_8U
alpha	Marr 小波的比例因子 (默认值为 2)。
scale	比例因子的级别 (默认值为 1)

pHash()

void cv::img_hash::pHash	(	cv::InputArray	inputArr,
		cv::OutputArray	outputArr
	)

Python
	cv.img_hash.pHash(	inputArr[, outputArr]	) ->	outputArr

#include <opencv2/img_hash/phash.hpp>

计算输入图像的 pHash 值。

参数

inputArr	要计算哈希值的输入图像，类型应为 CV_8UC4、CV_8UC3 或 CV_8UC1。
outputArr	输入的哈希值，它将包含 8 个无符号字符值

radialVarianceHash()

void cv::img_hash::radialVarianceHash	(	cv::InputArray	inputArr,
		cv::OutputArray	outputArr,
		double	sigma = 1,
		int	numOfAngleLine = 180
	)

Python
	cv.img_hash.radialVarianceHash(	inputArr[, outputArr[, sigma[, numOfAngleLine]]]	) ->	outputArr

#include <opencv2/img_hash/radial_variance_hash.hpp>

计算输入图像的径向方差哈希。

参数

inputArr	要计算哈希值的输入图像，类型应为 CV_8UC4、CV_8UC3 或 CV_8UC1。
outputArr	输入的哈希值
sigma	高斯核标准差
numOfAngleLine	要考虑的角度数量