这阵子发现我的图像数据库中有不少内容一样的图像需要剔除，这些内容一样的图像可能尺寸不一样，通道数也可能不一样(灰度/彩色)，如下三张图内容完全一样，只是亮度或色彩通道数不同，

于是想到了用google或baidu的识图功能所用到的“感知哈希算法”来搜索数据库内容一样的图像。
通过这篇文章搞清楚了“感知哈希算法”的基本原理，
《三种基于感知哈希算法的相似图像检索技术》，发现原理很简单，很适合我等粗人，呵呵，于是在java下实现了这个算法的代码：

java实现

package net.gdface.image;import java.awt.Graphics;
import java.awt.Image;
import java.awt.color.ColorSpace;
import java.awt.image.BufferedImage;
import java.awt.image.ColorConvertOp;
import java.util.Arrays;/*** 均值哈希实现图像指纹比较* @author guyadong**/
public final class FingerPrint {/*** 图像指纹的尺寸,将图像resize到指定的尺寸，来计算哈希数组 */private static final int HASH_SIZE=16;/*** 保存图像指纹的二值化矩阵*/private final byte[] binaryzationMatrix;public FingerPrint(byte[] hashValue) {if(hashValue.length!=HASH_SIZE*HASH_SIZE)throw new IllegalArgumentException(String.format("length of hashValue must be %d",HASH_SIZE*HASH_SIZE ));this.binaryzationMatrix=hashValue;}public FingerPrint(String hashValue) {this(toBytes(hashValue));}public FingerPrint (BufferedImage src){this(hashValue(src));}private static byte[] hashValue(BufferedImage src){BufferedImage hashImage = resize(src,HASH_SIZE,HASH_SIZE);byte[] matrixGray = (byte[]) toGray(hashImage).getData().getDataElements(0, 0, HASH_SIZE, HASH_SIZE, null); return  binaryzation(matrixGray);}/*** 从压缩格式指纹创建{@link FingerPrint}对象* @param compactValue* @return*/public static FingerPrint createFromCompact(byte[] compactValue){return new FingerPrint(uncompact(compactValue));}public static boolean validHashValue(byte[] hashValue){if(hashValue.length!=HASH_SIZE)return false;for(byte b:hashValue){if(0!=b&&1!=b)return false;         }return true;}public static boolean validHashValue(String hashValue){if(hashValue.length()!=HASH_SIZE)return false;for(int i=0;i<hashValue.length();++i){if('0'!=hashValue.charAt(i)&&'1'!=hashValue.charAt(i))return false;         }return true;}public byte[] compact(){return compact(binaryzationMatrix);}/*** 指纹数据按位压缩* @param hashValue* @return*/private static byte[] compact(byte[] hashValue){byte[] result=new byte[(hashValue.length+7)>>3];byte b=0;for(int i=0;i<hashValue.length;++i){if(0==(i&7)){b=0;}if(1==hashValue[i]){b|=1<<(i&7);}else if(hashValue[i]!=0)throw new IllegalArgumentException("invalid hashValue,every element must be 0 or 1");if(7==(i&7)||i==hashValue.length-1){result[i>>3]=b;}}return result;}/*** 压缩格式的指纹解压缩* @param compactValue* @return*/private static byte[] uncompact(byte[] compactValue){byte[] result=new byte[compactValue.length<<3];for(int i=0;i<result.length;++i){if((compactValue[i>>3]&(1<<(i&7)))==0)result[i]=0;elseresult[i]=1;}return result;      }/*** 字符串类型的指纹数据转为字节数组* @param hashValue* @return*/private static byte[] toBytes(String hashValue){hashValue=hashValue.replaceAll("\\s", "");byte[] result=new byte[hashValue.length()];for(int i=0;i<result.length;++i){char c = hashValue.charAt(i);if('0'==c)result[i]=0;else if('1'==c)result[i]=1;elsethrow new IllegalArgumentException("invalid hashValue String");}return result;}/*** 缩放图像到指定尺寸* @param src* @param width* @param height* @return*/private static BufferedImage resize(Image src,int width,int height){BufferedImage result = new BufferedImage(width, height,  BufferedImage.TYPE_3BYTE_BGR); Graphics g = result.getGraphics();try{g.drawImage(src.getScaledInstance(width, height, Image.SCALE_SMOOTH), 0, 0, null);}finally{g.dispose();}return result;      }/*** 计算均值* @param src* @return*/private static  int mean(byte[] src){long sum=0;// 将数组元素转为无符号整数for(byte b:src)sum+=(long)b&0xff;return (int) (Math.round((float)sum/src.length));}/*** 二值化处理* @param src* @return*/private static byte[] binaryzation(byte[]src){byte[] dst = src.clone();int mean=mean(src);for(int i=0;i<dst.length;++i){// 将数组元素转为无符号整数再比较dst[i]=(byte) (((int)dst[i]&0xff)>=mean?1:0);}return dst;}/*** 转灰度图像* @param src* @return*/private static BufferedImage toGray(BufferedImage src){if(src.getType()==BufferedImage.TYPE_BYTE_GRAY){return src;}else{// 图像转灰BufferedImage grayImage = new BufferedImage(src.getWidth(), src.getHeight(),  BufferedImage.TYPE_BYTE_GRAY);new ColorConvertOp(ColorSpace.getInstance(ColorSpace.CS_GRAY), null).filter(src, grayImage);return grayImage;       }}@Overridepublic String toString() {return toString(true);}/*** @param multiLine 是否分行* @return*/public String toString(boolean multiLine) {StringBuffer buffer=new StringBuffer();int count=0;for(byte b:this.binaryzationMatrix){buffer.append(0==b?'0':'1');if(multiLine&&++count%HASH_SIZE==0)buffer.append('\n');}return buffer.toString();}@Overridepublic boolean equals(Object obj) {if(obj instanceof FingerPrint){return Arrays.equals(this.binaryzationMatrix,((FingerPrint)obj).binaryzationMatrix);}elsereturn super.equals(obj);}/*** 与指定的压缩格式指纹比较相似度* @param compactValue* @return* @see #compare(FingerPrint)*/public float compareCompact(byte[] compactValue){return compare(createFromCompact(compactValue));}/*** @param hashValue* @return* @see #compare(FingerPrint)*/public float compare(String hashValue){return compare(new FingerPrint(hashValue));}/*** 与指定的指纹比较相似度* @param hashValue* @return* @see #compare(FingerPrint)*/public float compare(byte[] hashValue){return compare(new FingerPrint(hashValue));}/*** 与指定图像比较相似度* @param image2* @return* @see #compare(FingerPrint)*/public float compare(BufferedImage image2){return compare(new FingerPrint(image2));}/*** 比较指纹相似度* @param src* @return * @see #compare(byte[], byte[])*/public float compare(FingerPrint src){if(src.binaryzationMatrix.length!=this.binaryzationMatrix.length)throw new IllegalArgumentException("length of hashValue is mismatch");return compare(binaryzationMatrix,src.binaryzationMatrix);}/*** 判断两个数组相似度，数组长度必须一致否则抛出异常* @param f1* @param f2* @return 返回相似度(0.0~1.0)*/private static float compare(byte[] f1,byte[] f2){if(f1.length!=f2.length)throw new IllegalArgumentException("mismatch FingerPrint length");int sameCount=0;for(int i=0;i<f1.length;++i){if(f1[i]==f2[i])++sameCount;}return (float)sameCount/f1.length;}public static float compareCompact(byte[] f1,byte[] f2){return compare(uncompact(f1),uncompact(f2));}public static float compare(BufferedImage image1,BufferedImage image2){return new FingerPrint(image1).compare(new FingerPrint(image2));}
}

调用示例

junit测试代码

package test;import java.io.File;
import java.io.IOException;import javax.imageio.ImageIO;import org.junit.Test;
import net.gdface.image.FingerPrint;
import net.gdface.image.NotImage;
import net.gdface.image.UnsupportedFormat;public class TestFingerPrint {@Testpublic void testCompare() throws IOException{FingerPrint fp1 = new FingerPrint(ImageIO.read(new File("d:\\tmp\\he049-black.jpg")));FingerPrint fp2 =new FingerPrint(ImageIO.read(new File("d:\\tmp\\he049-gray.jpg")));System.out.println(fp1.toString(true));System.out.printf("sim=%f",fp1.compare(fp2));}
}

java:均值哈希实现图像内容相似度比较相关推荐

Java实现标题相似度计算，文本内容相似度匹配，Java通过SimHash计算标题文本内容相似度
目录一.前言二.关于SimHash 补充知识一).什么是海明距离二).海明距离的应用三).什么是编辑距离三.SimHash算法的几何意义和原理一).SimHash算法的几何意义二). ...
相似图像搜索的哈希算法思想及实现（差值哈希算法和均值哈希算法）
图像相似度比较哈希算法: 什么是哈希(Hash)? • 散列函数(或散列算法,又称哈希函数,英语:Hash Function)是一种从任何一种数据中创建小的数字"指纹"的方法.散 ...
计算机视觉编程——图像内容分类
文章目录图像内容分类 1 K近邻分类法(KNN) 1.1 一个简单的二维示例 1.2 用稠密SIFT作为图像特征 1.3 图像分类:手势识别 2 贝叶斯分类器 3 支持向量机图像内容分类 1 K近 ...
ML之Hash_HamMingDistance：基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用汉明距离算法进行判别
ML之Hash_HamMingDistance:基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用汉明距离算法进行判别目录输出结果代码实现相关文章 ML之相似度计算: ...
ML之Hash_EditDistance：基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法进行判别
ML之Hash_EditDistance:基于输入图片哈希化(均值哈希+差值哈希)即8*8个元素的单向vector利用编辑距离算法进行判别目录输出结果代码实现相关文章 ML之相似度计算:图像数 ...
java 求集合平均数_图像二值化方法介绍（转载学习）
ImageJ中图像二值化方法介绍概述二值图像分析在对象识别与模式匹配中有重要作用,同时也在机器人视觉中也是图像处理的关键步骤,选择不同图像二值化方法得到的结果也不尽相同.本文介绍超过十种以上的基于 ...
java imageio_Java使用imageio 读写图像
Java中进行图像I/O(即读图片和写图片,不涉及到复杂图像处理)有三个方法: JAI 中的 Image I/O Tools,支持更多图片类型,例如JPEG-LS, JPEG2000, 和 TIFF. ...
相似图片搜索中的均值哈希(aHash)
1. 引入参考1中介绍了相似图片搜索的基本原理,借助milvus(参考2)这样的相似性搜索引擎,我们可以非常快速的实现相似性搜索. 但实现搜索之前,需要把图片转换为特征向量.本文介绍的均值哈希,就是 ...
python计算机视觉学习第8章——图像内容分类
目录引言一. K邻近分类算法(KNN) 1.1 简单二维示例 1.2 用稠密SIFT作为图像特征 1.3 图像分类:手势识别二 .贝叶斯分类器三.支持向量机 3.1 使用LibSVM 四. 光 ...

java:均值哈希实现图像内容相似度比较

java实现

调用示例

java:均值哈希实现图像内容相似度比较相关推荐

最新文章

热门文章