快捷導(dǎo)航

Python使用imagehash庫生成ahash算法的示例代碼

更新時間：2022年11月23日 10:45:17 作者：ponponon

aHash、pHash、dHash是常用的圖像相似度識別算法，本文將利用Python中的imagehash庫生成這一算法，從而實現(xiàn)計算圖片相似度，感興趣的可以了解一下

知識點補充

aHash算法

Hash算法進(jìn)行圖片相似度識別的本質(zhì)，就是將圖片進(jìn)行Hash轉(zhuǎn)化，生成一組二進(jìn)制數(shù)字，然后通過比較不同圖片的Hash值距離找出相似圖片。aHash中文叫平均哈希算法，顧名思義，在進(jìn)行轉(zhuǎn)化過程中將用到像素均值。

基本原理：

1、縮小尺寸。這樣做會去除圖片的細(xì)節(jié)，只保留結(jié)構(gòu)、明暗等基本信息，目的是統(tǒng)一圖片大小，保證后續(xù)圖片都有相同長度的哈希值，方便距離計算。網(wǎng)上看到的案例基本都將尺寸縮小為8*8，64個像素點，暫時不清楚縮小為這個尺寸的原因，但如果覺得損失的信息太多，個人認(rèn)為可以將尺寸適當(dāng)調(diào)大，當(dāng)然像素點多了后續(xù)計算就會稍慢一些。

2、灰度化處理。將圖片全部轉(zhuǎn)換為統(tǒng)一的灰度圖。

3、計算像素均值。計算像素的灰度平均值（此處均值出現(xiàn)）。

4、哈希值計算。將每個像素的灰度，與平均值進(jìn)行比較。大于或等于平均值，記為1，小于平均值，記為0，由此生成二進(jìn)制數(shù)組。

5、圖片配對，計算漢明距離。距離越近，越相似。當(dāng)圖片縮小為8*8時，通常認(rèn)為漢明距離小于10的一組圖片為相似圖片。

前言

有一個需求：計算圖片的相似度

需要解決兩個問題：

生成 ahash
存儲和計算 ahash 之間的距離

生成 ahash

『生成 ahash』選用 python 下面的一個 imagehash 庫。（github：https://github.com/JohannesBuchner/imagehash）

from io import BytesIO
import numpy
import imagehash
from PIL import Image


def create_vector(file: BytesIO) -> bytes:
    image = Image.open(file)
    hash = imagehash.average_hash(image)

    _vector = []

    for h in hash.hash:
        _vector.extend(h)

    vector = bytes(
        numpy.packbits(
            [
                int(v)
                for v in _vector
            ],
            axis=-1
        ).tolist()
    )

    return vector

create_vector 函數(shù)輸出的類型是 bytes，就是二進(jìn)制序列

imagehash.average_hash(image) 輸出的 hash 對象，hash 對象有一個 hash 屬性，這個屬性的類型是 list[list[bool]]打印出來就是長下面這樣子，其實就是一個 8x8=64 bit 的序列

[[False False False False False False False False]
[ True False False False True False False False]
[False False True True True True False False]
[False False False True True False True True]
[False False True True True False False False]
[False True True True True False False False]
[False True True True True False True True]
[False False False True True False True True]]

向量數(shù)據(jù)庫

『存儲和計算 ahash 之間的距離』選用 milvus

創(chuàng)建集合

定義集合：

import settings
from pymilvus import (
    connections,
    Collection,
    FieldSchema,
    CollectionSchema,
    DataType,
)
from loggers import logger

connections.connect(
    host=settings.MILVUS_CONFIG.host,
    port=settings.MILVUS_CONFIG.port,
)

schema = CollectionSchema([
    FieldSchema("id", DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema("meta_id", DataType.INT64),
    FieldSchema("company_id", DataType.INT64),
    FieldSchema("image_vector", dtype=DataType.BINARY_VECTOR, dim=64)
])

# 集合不存在，則會自動創(chuàng)建集合；已存在，不會重復(fù)創(chuàng)建
collection = Collection(settings.MILVUS_CONFIG.collection.name, schema)

使用的向量類型是 dtype=DataType.BINARY_VECTOR,

為什么不選 float 是因為我不知道怎么把 ahash 轉(zhuǎn)成 float

插入 ahash 到 milvus

class TestVector(unittest.TestCase):
    def test_insert_vector(self):
        """
        插入 ahash 到 milvus
        python -m unittest testing.test_milvus.TestVector.test_insert_vector
        """

        oss_file_path = 'image_hash/testing/WechatIMG193.jpeg'

        file = BytesIO(bucket.get_object(oss_file_path).read())
        vector = create_vector(file)
        m_pk = insert_vector(vector, meta_id=2, company_id=1)
        logger.debug(f'milvus pk: {m_pk}')

查詢 ahash from milvus

def test_search(self):
    """
    批量調(diào)用后端接口入庫
    python -m unittest testing.test_milvus.TestVector.test_search
    """
    oss_file_path = 'image_hash/testing/WechatIMG193.jpeg'

    file = BytesIO(open(BASE_DIR/'testing'/'resource'/'WechatIMG193.jpeg','rb').read())
    vector = create_vector(file)

    logger.debug(vector)

    rows: list[dict[str, Any]] = collection.search(
        data=[vector],
        param={"metric_type": 'L2', "params": {"nprobe": 32}},
        anns_field='image_vector',
        output_fields=['id', 'meta_id', 'company_id'],
        limit=10,
    )
    logger.debug(rows)
    logger.debug(type(rows))

到此這篇關(guān)于Python使用imagehash庫生成ahash算法的示例代碼的文章就介紹到這了,更多相關(guān)Python imagehash生成ahash內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: