在管理个人或商业图片画廊时，重复图片是一个常见且令人头疼的问题。它们不仅占用宝贵的存储空间，还可能导致用户体验下降，例如在浏览时反复看到相同的图片。传统的重复文件检测方法，如基于md5或sha-1等加密哈希算法，虽然能精确识别完全相同的二进制文件，但对于经过轻微修改（如裁剪、缩放、压缩或添加水印）的图片则无能为力。为了解决这一问题，我们需要一种能够识别视觉上相似而非字节上完全相同的图片的技术——感知哈希（perceptual hashing）应运而生。
感知哈希（pHash）是一种根据图像的视觉内容生成“指纹”（哈希值）的技术。与传统的加密哈希不同，pHash的目标是使视觉上相似的图像拥有相似的哈希值，即使它们的像素数据不完全相同。这种“模糊匹配”的能力是实现图片去重和相似图片搜索的关键。
其核心思想在于：
pHash算法有多种变体，其中一种简单而有效的实现方式，常被称为“平均哈希”（aHash）或“差值哈希”（dHash），其基本步骤如下：
首先，将原始图像缩小到一个非常小的固定尺寸，例如8x8像素。这一步的目的是：
随后，将缩小后的图像转换为灰度图。这是因为在许多场景下，我们更关心图像的结构和亮度信息，而不是精确的颜色信息。
通过上述步骤，每张图片都会生成一个固定长度的二进制哈希值，这个值就是图片的“感知指纹”。
要判断两张图片是否相似，只需计算它们各自的感知哈希值之间的汉明距离（Hamming Distance）。汉明距离是指两个等长二进制串中对应位置上不同位的数量。
例如： 哈希A: 10110100 哈希B: 10100101 汉明距离: 3 (第4、5、8位不同)
通常，如果两个哈希值的汉明距离在一个预设的阈值（例如，5到10之间）内，就可以认为这两张图片是相似的。这个阈值需要根据实际应用场景和对相似度的容忍度进行调整。
虽然Golang可能没有直接的pHash库，但其标准库提供了强大的图像处理能力，足以实现上述算法。
Golang的image包及其子包（如image/jpeg, image/png等）可以用来读取和解码各种格式的图片。image/draw包则提供了图像缩放、裁剪和灰度转换等功能。
package main
import (
"fmt"
"image"
"image/color"
"image/draw"
_ "image/jpeg" // 导入以支持JPEG
_ "image/png" // 导入以支持PNG
"os"
)
// loadImage 从文件加载图像
func loadImage(filePath string) (image.Image, error) {
file, err := os.Open(filePath)
if err != nil {
return nil, err
}
defer file.Close()
img, _, err := image.Decode(file)
if err != nil {
return nil, err
}
return img, nil
}
// resizeAndGrayscale 将图像缩放到指定尺寸并转换为灰度图
func resizeAndGrayscale(img image.Image, width, height int) *image.Gray {
// 创建一个新的灰度图像作为目标
grayImg := image.NewGray(image.Rect(0, 0, width, height))
// 使用draw.Src来绘制（缩放）原始图像到灰度图像
// 这会自动处理颜色转换和缩放
draw.CatmullRom.Scale(grayImg, grayImg.Bounds(), img, img.Bounds(), draw.Src, nil)
return grayImg
}
// calculateDHash 计算图像的dHash
func calculateDHash(img image.Image) (uint64, error) {
// 1. 缩小尺寸到9x8并灰度化 (dHash通常使用9x8或8x9来比较8x8的差异)
// 这里我们用9x8，以便比较8x8的水平差异
resizedGray := resizeAndGrayscale(img, 9, 8) // 9列8行
var hash uint64
bitIndex := 0
// 2. 比较相邻像素的亮度值
// 遍历每一行，比较当前像素和它右边的像素
for y := 0; y < 8; y++ {
for x := 0; x < 8; x++ { // 比较 x 和 x+1
// 获取当前像素和右侧像素的灰度值
// 注意：GrayAt返回的是一个color.Gray结构体，其Y字段是灰度值
p1 := resizedGray.GrayAt(x, y).Y
p2 := resizedGray.GrayAt(x+1, y).Y
if p1 > p2 {
hash |= (1 << bitIndex)
}
bitIndex++
}
}
// dHash 通常是64位或56位。这里我们生成了8x8=64位。
return hash, nil
}
// hammingDistance 计算两个uint64哈希值的汉明距离
func hammingDistance(hash1, hash2 uint64) int {
diff := hash1 ^ hash2 // 异或操作，不同位为1
count := 0
for diff > 0 {
diff &= (diff - 1) // Brian Kernighan's algorithm
count++
}
return count
}
func main() {
// 示例用法
imgPath1 := "image1.jpg" // 替换为你的图片路径
imgPath2 := "image2.jpg" // 替换为你的图片路径 (可能是原图的修改版或完全不同)
img1, err := loadImage(imgPath1)
if err != nil {
fmt.Printf("加载图片 %s 失败: %v\n", imgPath1, err)
return
}
img2, err := loadImage(imgPath2)
if err != nil {
fmt.Printf("加载图片 %s 失败: %v\n", imgPath2, err)
return
}
hash1, err := calculateDHash(img1)
if err != nil {
fmt.Printf("计算哈希 %s 失败: %v\n", imgPath1, err)
return
}
hash2, err := calculateDHash(img2)
if err != nil {
fmt.Printf("计算哈希 %s 失败: %v\n", imgPath2, err)
return
}
dist := hammingDistance(hash1, hash2)
fmt.Printf("图片1哈希: %016x\n", hash1)
fmt.Printf("图片2哈希: %016x\n", hash2)
fmt.Printf("汉明距离: %d\n", dist)
threshold := 10 // 相似度阈值，可根据实际情况调整
if dist <= threshold {
fmt.Println("两张图片可能相似。")
} else {
fmt.Println("两张图片不相似。")
}
}代码说明：
感知哈希（pHash）为图片画廊的重复图片检测提供了一个实用且易于理解的起点。通过将图像转化为简洁的二进制指纹，我们能够有效地识别视觉上相似的图片，从而优化存储和提升用户体验。尽管Golang标准库没有直接提供pHash功能，但其强大的图像处理能力足以让我们从零开始构建一个功能完备的感知哈希系统。在实际应用中，根据图片库的规模和对准确性的要求，可能需要进一步探索更复杂的哈希算法和索引优化策略，以实现更高效、更鲁棒的图像去重解决方案。
以上就是基于感知哈希的图像去重：构建你的图片画廊索引的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
广告Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
351
收藏
