Python实现图片相似度比较：均值、差值与感知哈希算法详解

陆景行

发布时间：2026-10-12| 3人浏览过

原创

本文详细解析Python中三种常用的图片相似度哈希算法：均值哈希（aHash）、差值哈希（dHash）及感知哈希（pHash）。通过OpenCV库实现图像缩放、灰度转换及特征提取，计算汉明距离以评估图片相似程度。文章提供完整的Python代码示例，涵盖算法步骤、核心逻辑及相似度对比方法，适用于图像检索与去重场景。

本文分享了使用Python比较两张图片相似度的具体方法示例，供读者参考。

#!/usr/bin/python
# -*- coding: UTF-8 -*-
import cv2
import numpy as np
 
#均值哈希算法
def aHash(img):
  #缩放为8*8
  img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
  #转换为灰度图
  gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
  #s为像素和初值为0，hash_str为hash值初值为''
  s=0
  hash_str=''
  #遍历累加求像素和
  for i in range(8):
    for j in range(8):
      s=s+gray[i,j]
  #求平均灰度
  avg=s/64
  #灰度大于平均值为1相反为0生成图片的hash值
  for i in range(8):
    for j in range(8):
      if gray[i,j]>avg:
        hash_str=hash_str+'1'
      else:
        hash_str=hash_str+'0'
  return hash_str
 
#差值感知算法
def dHash(img):
  #缩放8*8
  img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC)
  #转换灰度图
  gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
  hash_str=''
  #每行前一个像素大于后一个像素为1，相反为0，生成哈希
  for i in range(8):
    for j in range(8):
      if  gray[i,j]>gray[i,j+1]:
        hash_str=hash_str+'1'
      else:
        hash_str=hash_str+'0'
  return hash_str
 
#Hash值对比
def cmpHash(hash1,hash2):
  n=0
  #hash长度不同则返回-1代表传参出错
  if len(hash1)!=len(hash2):
    return -1
  #遍历判断
  for i in range(len(hash1)):
    #不相等则n计数+1，n最终为相似度
    if hash1[i]!=hash2[i]:
      n=n+1
  return n
 
img1=cv2.imread('A.png')
img2=cv2.imread('B.png')
hash1= aHash(img1)
hash2= aHash(img2)
print(hash1)
print(hash2)
n=cmpHash(hash1,hash2)
print '均值哈希算法相似度：'+ str(n)
 
hash1= dHash(img1)
hash2= dHash(img2)
print(hash1)
print(hash2)
n=cmpHash(hash1,hash2)
print '差值哈希算法相似度：'+ str(n)

算法原理解析

在相似图像搜索领域，主要涉及三种哈希算法：

均值哈希算法（aHash）
差值哈希算法（dHash）
感知哈希算法（pHash）
均值哈希算法详解

具体处理步骤如下：

1. 缩放处理：将图片统一缩放至8×8像素，保留整体结构并去除细节。 2. 灰度转换：将图像转换为256级灰度图。 3. 计算平均值：求出灰度图中所有像素点的平均灰度值。 4. 像素比较：若像素值大于平均值，记为1；否则记为0，共生成64位二进制序列。 5. 生成Hash：将上述0和1按固定顺序组合，形成图片的指纹（Hash）。注意比较时需保持顺序一致。 6. 对比指纹：计算两张图片指纹之间的汉明距离（即不同位的数量），汉明距离越小，表示图片越相似。

代码实现如下：

#均值哈希算法
def aHash(img):
  #缩放为8*8
  img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
  #转换为灰度图
  gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
  #s为像素和初值为0，hash_str为hash值初值为''
  s=0
  hash_str=''
  #遍历累加求像素和
  for i in range(8):
    for j in range(8):
      s=s+gray[i,j]
  #求平均灰度
  avg=s/64
  #灰度大于平均值为1相反为0生成图片的hash值
  for i in range(8):
    for j in range(8):
      if gray[i,j]>avg:
        hash_str=hash_str+'1'
      else:
        hash_str=hash_str+'0'      
  return hash_str

差值哈希算法（dHash）

该算法的前置处理与结果输出与均值哈希基本一致，主要差异在于中间的Hash生成逻辑。

具体步骤： 1. 缩放处理：将图片缩放至8×9像素，保留结构并去除细节。 2. 灰度转换：转换为256级灰度图。 3. 计算平均值：计算灰度图中所有像素的平均值（注：此处原文步骤描述与后续逻辑略有出入，通常dHash不依赖全局平均，而是局部比较）。 4. 像素比较：比较同一行中前一个像素与后一个像素的值。若前者大于后者，记为1；否则记为0。每行9个像素产生8个差值，共8行，总计64位。 5. 生成Hash：将生成的0和1按顺序组合形成图片指纹（Hash）。比较时必须保证顺序一致。 6. 对比指纹：计算两张图片指纹的汉明距离，不同位数越少，相似度越高。

#差值感知算法
def dHash(img):
  #缩放8*8
  img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC)
  #转换灰度图
  gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
  hash_str=''
  #每行前一个像素大于后一个像素为1，相反为0，生成哈希
  for i in range(8):
    for j in range(8):
      if  gray[i,j]>gray[i,j+1]:
        hash_str=hash_str+'1'
      else:
        hash_str=hash_str+'0'
  return hash_str

感知哈希算法（pHash）

关于感知哈希算法的深入讲解，可参考文章：《相似性︱python+opencv实现pHash算法+hamming距离（simhash）（三）》，该资源提供了详尽的技术说明。

Hash值对比逻辑

由于算法返回值为字符串类型，因此直接遍历字符串进行逐位比对。

#Hash值对比
def cmpHash(hash1,hash2):
  n=0
  #hash长度不同则返回-1代表传参出错
  if len(hash1)!=len(hash2):
    return -1
  #遍历判断
  for i in range(len(hash1)):
    #不相等则n计数+1，n最终为相似度
    if hash1[i]!=hash2[i]:
      n=n+1
  return n

以上内容为本文的全部分享，希望能为读者的学习提供助益，欢迎持续关注与支持。