哈希快速图像匹配算法研究

第19卷第3期
重庆科技学院学报（自然科学版)
2017年6月
哈希快速图像匹配算法研究
王拓于徐红刘志杰
(贵州师范大学贵州省信息与计算科学重点实验室，贵阳550025)
摘
要:如何快速有效地在大量数据中将图片筛选匹配出来，是图像匹配技术研究的重点课题之一。

通过分析感知
哈希算法及
Smf 算法各自的优点，提出用感知哈希算法进行初步图片搜索，利用Smf 算法提取相似图片局部特征，
从而更精准地确定最相似图片，增加图片匹配的鲁棒性。

实验结果表明，在对图片进行处理后，哈希快速图像匹配算法仍能快速地从本地图片库中将最相似图片搜索出来。

关键词:感知哈希算法；DCT 变换；Smf 算法；指纹数据 中图分类号:
TP 391.41
文献标识码:A
近年来，随着计算机、手机等电子产品的不断发 展和普及，图片已成为我们记录生活的一种重要方 式。

据Facebook 官方公布，现在每天上传的图片数 量约20亿张，并且这个数字还在不断增加。

同时， 人们也不再仅仅局限于使用文字来搜索图片，“以 图搜图”在这种情况下应运而生。

目前应用“以图 搜图”的主要是互联网图像搜索引擎网站，例如 Google 、百度、搜狗、Picitup 、Bing 、TinEye 、Incogno 等。

大部分人的手机、电脑或其他存储设备里面也有成 千上万张图片，如何在自己的图片库里快速找出想 要查看的图片也是一个急需解决的问题。

因此，如 何将大量的图片进行数据处理与存储已成为大数据 时代面临和必须解决的一个重要难题[1]。

目前，对图片进行特征提取应用最多的还是在 Sift 算法基础上，先对图像进行特征提取，然后根据 提取特征对图像进行哈希编码，生成这个图像的 “指纹”特征。

Sift 算法的优点是对图像的旋转、变 换等都有很好的鲁棒性，缺点是复杂度比较高。

此次研究基于Sift 算法的改进算法---Surf 算法，并基于哈希编码规则来提升图片的搜索比对速度[3 _4]。

1算法描述
1.1
感知哈希算法
哈希算法是一种将图片生成一组“指纹”数据
文章编号：1673 -1980(2017)03 -0075 -04
的方法。

在进行图片搜索比对时，首先对图片进行 特征信息提取，并生成一组二维数组即图片指纹。

通过对目标图像进行处理得到“指纹”后，将其与哈 希图像库中的图片直接进行“指纹”比对。

相对于 其他形式的特征值对比，二维数组有更高的时效性 优点。

感知哈希算法（perceptual hash algorithm ，简写 为pHash )。

其流程图见图1 〇
图1感知哈希算法流程图
pHash 对一幅图片的处理过程如下：(1) 缩小尺寸。

pHash 将图片缩小成7V * 7V 。

这样做的目的是简化了 DCT 的计算，去除各种图片
尺寸和图片比例的差异，只保留结构、明暗等基本 信息。

一般情况下，的值设置为32。

(2)
简化色彩。

将图片转化成灰度图像，进一 步简化计算量。

(3)
计算平均灰度。

计算图片中所有像素的灰
度平均值。

(4) 计算平均值。

如同均值哈希算法一样，计
收稿日期=2016-11 -29
基金项目：贵州省科学技术基金项目“基于
Nutch 的单位内部网络智能搜索引擎研究”（黔科合J 字LKS [2009]17号）；贵州省
经济和信息化委员会资助项目“大规模点模型的并行化真实感实时渲染技术研究”（1158号）；贵州省科技厅攻关 项目“海龙囤申报世界文化遗产关键性技术研究”（黔科合
SY 字LKS [2014]3072号）
作者简介:王拓（1991 一），男，贵州师范大学在读硕士研究生，研究方向为图形图像处理。

•
75 •
王拓，等:哈希快速图像匹配算法研究
算DCT的均值。

(5)计算hash值。

这是最主要的一步，根据 DCT变换得到的32 * 32矩阵中，因为绝大部分信息
包含在左上角8 *8的系数子矩阵中，并且为了简化 计算，在计算时只取其左上角8 * 8的系数子矩阵，然后将其设置成〇或1的64位的hash值，大于等 于DCT均值的设为“1”，小于DCT均值的设为“0”。

组合在一起，就构成了一个64位的整数，即为这张 图片的指纹。

本算法中，根据矩阵中8 * 8的系数子矩阵得出 二维离散余弦变换（DCT):
G a,v= (-v)X■
外%=0y =0
M•為 0,4> < W时,0：(■!•〇 = 0：(«•)
式中:g—w w图像像素点；
G—W矩阵中阈矩阵；
a—余弦系数矩阵。

对一张图片进行DCT变换后，便可将其像素信 息以矩阵形式输出。

若代表矩阵形式，式（1)可简
化为：
F(u,v)= Af(x,y)AI
在利用PHaS h算法生成图片指纹后，就可比对 不同图片的指纹来确定出最相似图片。

首先要计算 出8 * 8矩阵中图片信息生成的64位中有多少位是 不一样的。

如果不相同的数据位数不超过5,就说 明两张图片很相似，如果超过10,说明它们是两张 不同的图片[5]。

感知哈希算法在处理大量图片时的时效性很 高，然而该算法针对的是图片的整体特征，不能对局 部特征进行提取和细致的识别，这就需要在局部特 征提取方面来加强算法的鲁棒性。

1.2 Surf算法
1999年，David Lowe提出尺度不变特征变换(scale- invariant feature transform,简写为 Sift), Sift
算法有以下特点：
(1)尺度不变特征检测；
(2)特征匹配和索引；
(3)独特性好，信息量丰富；
(4)高速性；
(5)可扩展性。

利用Sift算法进行图片特征提取，可很好地避 免光照强度变化、目标遮挡及其他因素干扰对图片特征的影响。

但由于其计算复杂度较高，因此，研究 选取Surf算法代替Sift算法来提取图片特征[6]。

Surf算法是Sift算法的一个提升，其借鉴了 Sift 算法中简化近似的思想，将D〇H中的高斯二阶微分 方程模板进行了简化，使得模板对图像的滤波只需 要进行几个简单的加减法运算。

在对一幅图片进行特征提取时，Surf算法借助 积分图像原理，首先将目标图像通过高斯二阶微分 模板滤波，然后转化为对积分图像的加减运算。

因为图像由若干个像素点构成的，因此，若假设以左上 角为原点构建像素坐标系，对于图像中的任意一个 点（/，0，其值假设为以/j)表示为原图像左上角到 点(J'j)相应的对角线区域灰度值的总和，即为：
r矣i，c矣j
式中:jP(r,C)—图像中点（r,C)的灰度值。

接下来构建Hessian矩阵，并将提取的灰度信息 生成所有兴趣点，用于特征的提取。

其Hessian矩阵 如下：
I f d2f
dx2dxdy
d'f I f
dxdy dy1
式中:/(、7)—图像函数。

为了找出当前关键位置点，要将图像/(X，y)经 过高斯滤波，对图像信息进行提取。

其HeSSian矩阵 为：
H(x,cr)
-L x x(x,(t) LX J(x,a)
■Lxy(x,cr) Lyy(x,cr)
图像信息在经过高斯滤波以后，假设i(X，0表 示在不同解析度下的一幅图像，可利用高斯核G(0 与图像函数/(x)在点x处的卷积来实现，其卷积计 算公式如下：
L(x,t)= G(t)
其中局斯核G⑴为：
G⑴=赞dx
式中:g(o—高斯函数；
t—高斯方差。

为平衡准确值与近似值间的误差，引入权值。

权值随尺度变化，则w矩阵判别式可表示为：
det(//appr0I) = DxxDyy -(0. 9D xy)2
通过Hessian矩阵可以找出当前比周围其他更 亮或者更暗的关键位置点，也就是特征提取[7_8]。

• 76 •
王拓，等:哈希快速图像匹配算法研究
2哈希快速图像匹配算法设计
哈希快速图像匹配算法是利用感知哈希算法复
杂度低的优点，并结合Surf 算法对局部特征及噪声 的敏感性好等优点设计出的一种新算法，旨在提高 图片搜索速度的基础上，保证检索出的图片的鲁棒 性。

该算法步骤如下：
(1) 归一化处理:首先将原始图像进行不同角 度的旋转以及不同比例缩放后，生成相同的8 * 8 尺寸。

(2) 对生成的图片进行DCT 变换，通过设定阈 值将矩阵生成64位的一维向量。

(3)
根据生成的初步指纹，利用Hamming 距离
方法，标记系列近相似图片，
(4) 利用Smf 算法对标记的近相似图片进行特 征提取，利用Hamming 距离作为相似度度量，找出 最近似的图片[^11]。

3实验结果分析
在对图像进行分析前，首先对图像的色彩进行 提取，找出色彩分布区域0图2为目标图像的颜色 分布图。

然后利用DCT 算法对图片进行整理，得出 感知哈希序列指纹。

图2
目标图像的颜色分布图
目标图像颜色直方图见图首先对图片进行 分析，得出其颜色分布区域，然后根据颜色分布进行
DCT 变换，并根据图像信息设定阈值，通过对阈值 的比较生成8 * 8矩阵，并将其变换成一维64位数 组，并将指纹数据以文本格式存放在本地文件中Q 经过感知哈希算法处理后，便可通过第一次粗 筛选。

在此基础上，利用Surf 算法对筛选出的图像 信息进行二次比较，并利用特征点选取的方法进行 二次筛选。

利用Smf 算法对图片进行特征提取示意
图见图4。

利用Surf 算法，右面被马赛克处理过的 图片也被找出特征相似点，从而在本地文件中找出
最相似图片Q 局部特征点的提取示意图见图5。

尽 管图像被其他软件处理，该算法亦能通过排除干扰 找出最相似图片[12]。

240
220
200
180160140
120
100
806040
20
图3
目标图像颜色直方图
图4利用S u r f 算法对图片进行特征提取
图5局部特征点提取示意图
通过上述比较可知，此次研究中提出的感知哈
希算法和Surf 结合算法的时效性与文献[11 ]中提
出的算法不相上下，唯一不足的就是在利用Surf 算
法时，由f 要提高算法的速度，从而需减少匹配点数 M 。

另外，本算法在利用双重定位方法的基础上，延
续了尺度不变的特性，对于图像的翻转变换、明暗等 变化都有良好的抗噪声效果，并能够将其准确匹配
搜索出。

4结语
哈希快速图像匹配算法使用VS2013对图像进
行处理编程，在对图像进行处理及编码指纹提取方 面有了很大的改进，提高了速度，并且摒弃了哈希算
•
77
•
王拓，等:哈希快速图像匹配算法研究
法对局部不敏感等缺点，利用由粗到细的图像检索 方法，实现图片快速准确的匹配。

通过大量实验表 明，该算法比利用Sift算法速度更快，并且能够保证 图片的对比精度，快速准确地找到所需图片。

参考文献
[1] YANG B,GU F,NIU X.Block Mean Value Based Image
Perceptual Hashing [C]//Proc of IEEE International Con­
ference on IIH - A：IEEE,2006：167 -172.
[2] XIANG S,KIM H J,HUANG J.Histogram- based Image
Hashing Scheme Robust Against Geometric Deformations
[C]//Proc of the 9th ACM Workshop on Multimedia and
A：ACM,2007：121 -128.
[3]孙锐，闫晓星，高隽.基于SIFT和PCA的图像感知哈希
方法[J].电路与系统学报，2013,18(1) : 274 -278. [4]杜京义，胡益民，刘宇程.基于区域分块的SIFT图像匹
配技术研究与实现[J].光电工程，2013,40(8) :52
-58.
[5] MONGA V,EVANS B L.Robust Perceptual Image Has­
hing Using Feature Point [C]//Proceedings of IEEE Inter­
national Conference on Image Processing(ICIP).Singapore：IEEE,2004：677 -680.[6]赵璐璐，耿国华，李康，等.基于SURF和快速近似最近
邻搜索的图像匹配算法[J].计算机应用研究，2013,30
(3) ： 921 -923.
[7] BAY H,TUYTEPLAARS T,VAN G L.Speeded - up Ro­
bust Features(SURF) [J]. Computer Vision and Image
Understanding，2008，110(3 ) :346 -359.
[8] ZAUNER C.Implementation and Benchmarking of Percep­
tual Image Hash Functions[D].Upper Austria：Upper
Austria University, 2010.
[9] MATTHEW B,DAVID L.Invariant Features from Interest
Point Groups[C].Cardiff：British Machine Vision Confer­
ence, 2002(23) ：1 -10.
[10] 王阿川，陈海涛.基于离散余弦变换的鲁棒感知图像
哈希技术[J].中国安全科学学报，2009,19(4): 91
-96.
[11] 邱丽君，唐加山.一种快速的两步骤图像匹配新算法
[J].计算机技术与发展，2015,25(8) : 67 -70.
[12] ANGELIS A D,MOSCHITTA A,RUSSO F,et al.Image
Quality Assessment：An Overview and Some Metrological
Considerations[C]//International Workshop on Advanced
Methods for Uncertainty Estimation in Measurement.
Trento：IEEE,2007 ：47 -52.
Fast Image Matching Algorithm Base on Hash
WANG Tuo YU Xuhong LIU Zhijie
(Key Laboratory of Information and Computing Science of Guizhou Province,
Guizhou Normal University, Guiyang 550025, China)
Abstract； Nowadays, data and image update each minute. How to match the image quickly and effectively is the key issue in image matching technology and research. By analyzing the merits of the perceptual hash algorithm and Surf algorithm, this paper proposes a preliminary image search using the perceptual hash algorithm, and then uses Surf algorithm to extract the local characteristics of similar images to determine the most similar images more accu­rately and increase the robustness for image matching. Experimental results show, when the image is processed, the Hash Fast Image Matching algorithm can still quickly search the most similar images from the local gallery. Key words： perceptual Hash Algorithm ；DCT transform ；Surf Algorithm ；fingerprint Data
• 78 •。