java 图片相似度算法

发布时间:2018-04-20作者:laosun阅读(4181)

java

利用直方图原理实现图像内容相似度比较、均值哈希实现图像内容相似度比较、汉明距离算法实现图像内容相似度比较

    直方图原理实现图像内容相似度比较算法:

    import javax.imageio.*;
    import java.awt.image.*;
    import java.awt.*;
    import java.io.*;
    
    public class PhotoDigest {
    	public static void main(String[] args) throws Exception {
    		float percent = compare(getData("/Users/sun/Downloads/1.jpg"),
    				getData("/Users/sun/Downloads/2.jpg"));
    		if (percent == 0) {
    			System.out.println("无法比较");
    		} else {
    			System.out.println("两张图片的相似度为:" + percent + "%");
    		}
    	}
    
    	public static int[] getData(String name) {
    		try {
    			BufferedImage img = ImageIO.read(new File(name));
    			BufferedImage slt = new BufferedImage(100, 100,
    					BufferedImage.TYPE_INT_RGB);
    			slt.getGraphics().drawImage(img, 0, 0, 100, 100, null);
    			// ImageIO.write(slt,"jpeg",new File("slt.jpg"));
    			int[] data = new int[256];
    			for (int x = 0; x < slt.getWidth(); x++) {
    				for (int y = 0; y < slt.getHeight(); y++) {
    					int rgb = slt.getRGB(x, y);
    					Color myColor = new Color(rgb);
    					int r = myColor.getRed();
    					int g = myColor.getGreen();
    					int b = myColor.getBlue();
    					data[(r + g + b) / 3]++;
    				}
    			}
    			// data 就是所谓图形学当中的直方图的概念
    			return data;
    		} catch (Exception exception) {
    			System.out.println("有文件没有找到,请检查文件是否存在或路径是否正确");
    			return null;
    		}
    	}
    
    	public static float compare(int[] s, int[] t) {
    		try {
    			float result = 0F;
    			for (int i = 0; i < 256; i++) {
    				int abs = Math.abs(s[i] - t[i]);
    				int max = Math.max(s[i], t[i]);
    				result += (1 - ((float) abs / (max == 0 ? 1 : max)));
    			}
    			return (result / 256) * 100;
    		} catch (Exception exception) {
    			return 0;
    		}
    	}
    }

    均值哈希实现图像内容相似度比较算法:

    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.io.File;
    import java.io.IOException;
    import java.util.Arrays;
    
    import javax.imageio.ImageIO;
    
    /**
     * 均值哈希实现图像指纹比较
     * 
     */
    public final class FingerPrint {
    
    	public static void main(String[] args) {
    		try {
    			FingerPrint fp1 = new FingerPrint(ImageIO.read(new File(
    					"/Users/sun/Downloads/1.jpg")));
    			FingerPrint fp2 = new FingerPrint(ImageIO.read(new File(
    					"/Users/sun/Downloads/2.jpg")));
    			System.out.println(fp1.toString(true));
    			System.out.printf("sim=%f", fp1.compare(fp2));
    		} catch (IOException e) {
    			e.printStackTrace();
    		}
    	}
    
    	/**
    	 * 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;
    			else
    				result[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;
    			else
    				throw 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;
    		}
    	}
    
    	@Override
    	public 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();
    	}
    
    	@Override
    	public boolean equals(Object obj) {
    		if (obj instanceof FingerPrint) {
    			return Arrays.equals(this.binaryzationMatrix,
    					((FingerPrint) obj).binaryzationMatrix);
    		} else
    			return 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));
    	}
    }

    汉明距离算法实现图像内容相似度比较算法:

    import java.awt.Graphics2D;
    import java.awt.color.ColorSpace;
    import java.awt.image.BufferedImage;
    import java.awt.image.ColorConvertOp;
    import java.io.File;
    import java.io.FileInputStream;
    import java.io.FileNotFoundException;
    import java.io.InputStream;
    
    import javax.imageio.ImageIO;
    
    /* 
     * pHash-like image hash.  
     * Author: Elliot Shepherd (elliot@jarofworms.com 
     * Based On: http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html 
     */
    public class ImagePHash {
    
    	private int size = 32;
    	private int smallerSize = 8;
    
    	public ImagePHash() {
    		initCoefficients();
    	}
    
    	public ImagePHash(int size, int smallerSize) {
    		this.size = size;
    		this.smallerSize = smallerSize;
    
    		initCoefficients();
    	}
    
    	public int distance(String s1, String s2) {
    		int counter = 0;
    		for (int k = 0; k < s1.length(); k++) {
    			if (s1.charAt(k) != s2.charAt(k)) {
    				counter++;
    			}
    		}
    		return counter;
    	}
    
    	// Returns a 'binary string' (like. 001010111011100010) which is easy to do
    	// a hamming distance on.
    	public String getHash(InputStream is) throws Exception {
    		BufferedImage img = ImageIO.read(is);
    
    		/*
    		 * 1. Reduce size. Like Average Hash, pHash starts with a small image.
    		 * However, the image is larger than 8x8; 32x32 is a good size. This is
    		 * really done to simplify the DCT computation and not because it is
    		 * needed to reduce the high frequencies.
    		 */
    		img = resize(img, size, size);
    
    		/*
    		 * 2. Reduce color. The image is reduced to a grayscale just to further
    		 * simplify the number of computations.
    		 */
    		img = grayscale(img);
    
    		double[][] vals = new double[size][size];
    
    		for (int x = 0; x < img.getWidth(); x++) {
    			for (int y = 0; y < img.getHeight(); y++) {
    				vals[x][y] = getBlue(img, x, y);
    			}
    		}
    
    		/*
    		 * 3. Compute the DCT. The DCT separates the image into a collection of
    		 * frequencies and scalars. While JPEG uses an 8x8 DCT, this algorithm
    		 * uses a 32x32 DCT.
    		 */
    		long start = System.currentTimeMillis();
    		double[][] dctVals = applyDCT(vals);
    		System.out.println("DCT: " + (System.currentTimeMillis() - start));
    
    		/*
    		 * 4. Reduce the DCT. This is the magic step. While the DCT is 32x32,
    		 * just keep the top-left 8x8. Those represent the lowest frequencies in
    		 * the picture.
    		 */
    		/*
    		 * 5. Compute the average value. Like the Average Hash, compute the mean
    		 * DCT value (using only the 8x8 DCT low-frequency values and excluding
    		 * the first term since the DC coefficient can be significantly
    		 * different from the other values and will throw off the average).
    		 */
    		double total = 0;
    
    		for (int x = 0; x < smallerSize; x++) {
    			for (int y = 0; y < smallerSize; y++) {
    				total += dctVals[x][y];
    			}
    		}
    		total -= dctVals[0][0];
    
    		double avg = total / (double) ((smallerSize * smallerSize) - 1);
    
    		/*
    		 * 6. Further reduce the DCT. This is the magic step. Set the 64 hash
    		 * bits to 0 or 1 depending on whether each of the 64 DCT values is
    		 * above or below the average value. The result doesn't tell us the
    		 * actual low frequencies; it just tells us the very-rough relative
    		 * scale of the frequencies to the mean. The result will not vary as
    		 * long as the overall structure of the image remains the same; this can
    		 * survive gamma and color histogram adjustments without a problem.
    		 */
    		String hash = "";
    
    		for (int x = 0; x < smallerSize; x++) {
    			for (int y = 0; y < smallerSize; y++) {
    				if (x != 0 && y != 0) {
    					hash += (dctVals[x][y] > avg ? "1" : "0");
    				}
    			}
    		}
    
    		return hash;
    	}
    
    	private BufferedImage resize(BufferedImage image, int width, int height) {
    		BufferedImage resizedImage = new BufferedImage(width, height,
    				BufferedImage.TYPE_INT_ARGB);
    		Graphics2D g = resizedImage.createGraphics();
    		g.drawImage(image, 0, 0, width, height, null);
    		g.dispose();
    		return resizedImage;
    	}
    
    	private ColorConvertOp colorConvert = new ColorConvertOp(
    			ColorSpace.getInstance(ColorSpace.CS_GRAY), null);
    
    	private BufferedImage grayscale(BufferedImage img) {
    		colorConvert.filter(img, img);
    		return img;
    	}
    
    	private static int getBlue(BufferedImage img, int x, int y) {
    		return (img.getRGB(x, y)) & 0xff;
    	}
    
    	// DCT function stolen from
    	// http://stackoverflow.com/questions/4240490/problems-with-dct-and-idct-algorithm-in-java
    
    	private double[] c;
    
    	private void initCoefficients() {
    		c = new double[size];
    
    		for (int i = 1; i < size; i++) {
    			c[i] = 1;
    		}
    		c[0] = 1 / Math.sqrt(2.0);
    	}
    
    	private double[][] applyDCT(double[][] f) {
    		int N = size;
    
    		double[][] F = new double[N][N];
    		for (int u = 0; u < N; u++) {
    			for (int v = 0; v < N; v++) {
    				double sum = 0.0;
    				for (int i = 0; i < N; i++) {
    					for (int j = 0; j < N; j++) {
    						sum += Math
    								.cos(((2 * i + 1) / (2.0 * N)) * u * Math.PI)
    								* Math.cos(((2 * j + 1) / (2.0 * N)) * v
    										* Math.PI) * (f[i][j]);
    					}
    				}
    				sum *= ((c[u] * c[v]) / 4.0);
    				F[u][v] = sum;
    			}
    		}
    		return F;
    	}
    
    	public static void main(String[] args) {
    
    		ImagePHash p = new ImagePHash();
    		String image1;
    		String image2;
    		try {
    			image1 = p.getHash(new FileInputStream(new File(
    					"/Users/sun/Downloads/1.jpg")));
    			image2 = p.getHash(new FileInputStream(new File(
    					"/Users/sun/Downloads/11.png")));
    			System.out.println("1:1 Score is " + p.distance(image1, image2));
    
    		} catch (FileNotFoundException e) {
    			e.printStackTrace();
    		} catch (Exception e) {
    			e.printStackTrace();
    		}
    
    	}
    }


    结果说明:汉明距离越大表明图片差异越大,如果不相同的数据位不超过5,就说明两张图片很相似;如果大于10,就说明这是两张不同的图片。

    《三种基于感知哈希算法的相似图像检索技术》

    根据Neal Krawetz博士的解释,原理非常简单易懂。我们可以用一个快速算法,就达到基本的效果。

    这里的关键技术叫做"感知哈希算法"(Perceptual hash algorithm),它的作用是对每张图片生成一个"指纹"(fingerprint)字符串,然后比较不同图片的指纹。结果越接近,就说明图片越相似。

    下面是一个最简单的实现:

    第一步,缩小尺寸。

    将图片缩小到8x8的尺寸,总共64个像素。这一步的作用是去除图片的细节,只保留结构、明暗等基本信息,摒弃不同尺寸、比例带来的图片差异。

    第二步,简化色彩。

    将缩小后的图片,转为64级灰度。也就是说,所有像素点总共只有64种颜色。

    第三步,计算平均值。

    计算所有64个像素的灰度平均值。

    第四步,比较像素的灰度。

    将每个像素的灰度,与平均值进行比较。大于或等于平均值,记为1;小于平均值,记为0。

    第五步,计算哈希值。

    将上一步的比较结果,组合在一起,就构成了一个64位的整数,这就是这张图片的指纹。组合的次序并不重要,只要保证所有图片都采用同样次序就行了。

    得到指纹以后,就可以对比不同的图片,看看64位中有多少位是不一样的。在理论上,这等同于计算"汉明距离"(Hamming distance)。如果不相同的数据位不超过5,就说明两张图片很相似;如果大于10,就说明这是两张不同的图片。

    具体的代码实现,可以参见Wote用python语言写的imgHash.py。代码很短,只有53行。使用的时候,第一个参数是基准图片,第二个参数是用来比较的其他图片所在的目录,返回结果是两张图片之间不相同的数据位数量(汉明距离)。

    这种算法的优点是简单快速,不受图片大小缩放的影响,缺点是图片的内容不能变更。如果在图片上加几个文字,它就认不出来了。所以,它的最佳用途是根据缩略图,找出原图。

    实际应用中,往往采用更强大的pHash算法和SIFT算法,它们能够识别图片的变形。只要变形程度不超过25%,它们就能匹配原图。这些算法虽然更复杂,但是原理与上面的简便算法是一样的,就是先将图片转化成Hash字符串,然后再进行比较。

12 +1

版权声明

 Java  源码  算法

 请文明留言

3 条评论