PythondHash算法入门指南
大家好,今天本人给大家带来文章《Python dHash算法使用教程》,文中内容主要涉及到,如果你对文章方面的知识点感兴趣,那就请各位朋友继续看下去吧~希望能真正帮到你们,谢谢!
dHash通过计算图像相邻像素差异生成64位哈希值,对内容变化敏感且具备一定亮度鲁棒性。首先缩放图像为9×8并转灰度图,比较每行相邻像素大小关系生成二进制序列,再转换为16进制字符串。Python中结合Pillow库可快速实现,利用汉明距离衡量哈希差异,距离越小图像越相似,通常小于5视为视觉相近,适用于图像去重与相似检索场景。

dHash(差异哈希)是一种常用于图像相似度比较的哈希算法。它通过计算图像像素之间的差异生成哈希值,对图像内容变化敏感但对亮度、对比度等小变动有一定鲁棒性。在Python中实现dHash非常简单,通常结合Pillow库处理图像。
1. 安装依赖库
使用dHash前需要安装图像处理库Pillow:
pip install Pillow2. dHash算法原理简述
dHash的核心步骤如下:
- 将图像缩放为9×8大小(8列用于计算8×8灰度差)
- 转换为灰度图
- 比较相邻像素:右边像素大于等于左边则对应位为1,否则为0
- 生成64位哈希值(8×8=64)
3. Python实现dHash函数
下面是一个完整的dHash实现示例:
from PIL import Imagedef dhash(image_path, hash_size=8):
打开图像并调整大小为 (hash_size + 1) x hash_size
img = Image.open(image_path)
img = img.convert('L').resize((hash_size + 1, hash_size), Image.Resampling.LANCZOS)
# 获取像素数据
pixels = list(img.getdata())
# 计算差异:每行比较相邻像素
difference = []
for row in range(hash_size):
for col in range(hash_size):
left_pixel = pixels[row * (hash_size + 1) + col]
right_pixel = pixels[row * (hash_size + 1) + col + 1]
difference.append(left_pixel > right_pixel)
# 转换为二进制哈希
decimal_value = 0
for i, diff in enumerate(difference):
if diff:
decimal_value += 2**i
return "{:0>16x}".format(decimal_value) # 返回16字符hex字符串4. 使用示例与比较图像相似度
你可以用以下代码比较两张图的dHash相似度:
def hamming_distance(hash1, hash2): # 计算两个哈希间的汉明距离 return sum(c1 != c2 for c1, c2 in zip(hash1, hash2))示例使用
hash1 = dhash("image1.jpg") hash2 = dhash("image2.jpg")
print("Hash 1:", hash1) print("Hash 2:", hash2) print("汉明距离:", hamming_distance(hash1, hash2))
汉明距离越小,图像越相似。一般小于5认为视觉上接近。
基本上就这些。dHash实现简单、速度快,适合批量图像去重或查找相似图。注意确保输入图像路径正确,并处理可能的IO异常。实际应用中可缓存哈希值提升性能。
以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。
PyTorch张量均值高效计算方法
- 上一篇
- PyTorch张量均值高效计算方法
- 下一篇
- 小米汽车官网入口与首页功能解析
-
- 文章 · python教程 | 1星期前 | logging · Python教程 · 后端开发 · 日志排查 · Python logging 日志重复 propagate addHandler basicConfig
- Python logging 日志重复打印排查:为什么一条记录输出了两遍
- 324浏览 收藏
-
- 文章 · python教程 | 2星期前 | 默认值 · python · 数据建模 · dataclass · default_factory · field · Python 数据类 Field 可变默认值 dataclass default_factory
- Python dataclass 默认值完整工作流:从可变默认值到 default_factory
- 228浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- ljg-skills
- ljg-skills 是李继刚开源的 AI 技能与提示词集合,面向大模型使用者整理了一批可复用的 prompt、角色设定和任务技能模板,适合用于学习提示词设计、搭建个人 AI 工作流和沉淀团队常用智能体能力。
- 3829次使用
-
- MELO音乐
- MELO音乐是一站式AI视频与音乐制作助手,对标suno, udio的高品质体验。提供伴奏生成、原创写词、无损导出、哼唱识曲、混音变声等全套音频与短视频编辑工具。无论是流行Kpop、电音说唱、民谣古风、摇滚儿歌还是商用轻音乐,MELO为你免费谱曲,轻松做同款!
- 3532次使用
-
- UniScribe
- UniScribe 是一款 AI 音视频转文字与内容整理工具,支持上传音频、视频文件或粘贴 YouTube 链接,自动生成转写文本、摘要、思维导图和关键问题,并支持多格式导出,适合会议记录、课程学习、访谈整理和内容创作复盘。
- 3515次使用
-
- 剧云
- 剧云是专业中文剧本创作平台,安全稳定运行十余年,集成AI编剧、剧本医生审核、人物小传、剧情关系图、大纲编写、多人协作、Word导入导出、版权管控功能,数据安全防护,轻松高效创作剧本。
- 3703次使用
-
- 万象有声
- 万象有声,一个专为有声创作者打造的新一代智能有声内容创作平台。平台提供专业的智能拆章、智能画本编辑、AI配音、AI生成音效、后期制作、智能对轨、智能审听等有声创作全流程工具,可以帮助创作者高效、低成本创作出引人入胜的有声作品。立即体验,让有声书制作更简单!
- 3665次使用
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换:encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览
-
- httpx 如何设置代理认证(Proxy-Authorization)
- 2026-05-05 501浏览

