该模块提供了多种图像哈希算法的实现。

详细描述

提供提取图像哈希值的算法，以及在大规模数据集中快速找出最相似图像的方法。

所有函数的命名空间为 cv::img_hash。

支持的算法

• 平均哈希（也称为差异哈希）
• 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（这是唯一能抵抗旋转攻击（-90~90度）的哈希算法）

您可以从以下论文和网站中了解更多关于图像哈希的信息

• “感知图像哈希函数的实现与基准测试” [317]
• “看起来像” [152]

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;
}

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）

正如您所见，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集成到OpenCV中，这样我们就不必一遍又一遍地自己重写它们，或依赖其他第三方库（例如：PHash库）。BOVW或相关匹配算法很好且鲁棒，但与图像哈希相比它们非常慢；如果您需要处理大规模的CBIR（基于内容的图像检索）问题，图像哈希是一个更合理的解决方案。

更多信息

您可以从以下链接了解更多关于 img_hash 模块的信息，这些链接展示了如何从ukbench数据集中查找相似图像，并提供了不同攻击（对比度、模糊、噪声（高斯、椒盐）、JPEG压缩、水印、大小调整）的全面基准测试。

OpenCV图像哈希模块介绍 加速OpenCV(img_hash)的图像哈希并介绍颜色矩哈希

贡献者

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

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

枚举
枚举	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)
	计算输入图像的颜色矩哈希，该算法来源于论文“基于不变矩的彩色图像感知哈希”。
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	使用较少的块并生成 16*16/8 uchar 哈希值
BLOCK_MEAN_HASH_MODE_1  Python: cv.img_hash.BLOCK_MEAN_HASH_MODE_1	使用块（步长/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	输入图像的哈希值，将包含 16 个十六进制数，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	输入图像的哈希值，将包含 16 个十六进制数，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>

计算输入图像的颜色矩哈希，该算法来源于论文“基于不变矩的彩色图像感知哈希”。

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	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、CV_8UC1。
outputArr	输入图像的哈希值，将包含 16 个十六进制数，返回类型为 CV_8U
alpha	marr 小波的整数比例因子（默认值=2）。
scale	比例因子的整数级别（默认值=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、CV_8UC1。
outputArr	输入图像的哈希值，将包含 8 个 uchar 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、CV_8UC1。
outputArr	输入图像的哈希值
sigma	高斯核标准差
角度线数量	要考虑的角度数量