Algorithm 图像哈希用于什么？

我有时会听到这个术语，我想知道它的用途是什么？

通常，散列是一种有用的方法，可以将大量数据减少到一个短（ish）数，用于识别该图像

有时，它们只是为了提供一种简便的方法来识别文件，而无需人工干预，尤其是在几个并行作者在场的情况下，这些作者无法在不重叠的情况下增加某些主计数器（JPG001 JPG002）

---

有时散列被认为是不可伪造的，所以我可以说——如果你生成的图像散列与我发送图像时生成的图像散列相同，那么你可以确定它来自我（而不是由作恶者调整）。然而，并不是所有的散列都能保证这一点，每隔几年，一种流行的“加密”散列就会出现致命的缺陷。

嗯。。。。要在不比较整个文件的情况下快速比较图像（广义的图像或任何其他二进制文件）

实际上，图像哈希是一种流行的方法，用于在一系列帧或视频中查找相似的图像，或者像许多电影制片厂现在所做的那样，用各种图像嵌入水印（从一种令人毛骨悚然的意义上说，几乎可以回过头来听搏击俱乐部！）。

而通常对文件进行哈希时，会对文件中的各个数据位进行哈希，图像哈希在更高的级别上工作。不同之处在于，使用图像散列时，如果两张图片看起来几乎相同，但格式或分辨率不同（或者可能由于压缩而出现轻微损坏），则它们应该散列到相同的数字。尽管它们的数据的实际位完全不同，但如果它们看起来与人类完全相同，它们会散列到相同的东西

这种方法的一个应用是搜索。TinEye.com允许您上传图像，并在互联网上查找图像的许多内容。和谷歌一样，它也有一个网络爬虫，可以在网页中爬行并查找图像。然后对这些图像进行散列，并将散列和url存储在数据库中。上载图像时，它只计算散列并检索数据库中链接到该散列的所有URL。TinEye的示例使用包括查找更高分辨率版本的图片，或从某人的图片中查找其公共facebook/myspace/等个人资料（假设这些个人资料使用相同的照片）

图像散列还可以与缓存或本地存储一起使用，以分别防止照片的重新传输或副本的存储

还有很多其他可能性，包括图像认证和在视频中查找类似帧（如其他人所述）。

是一个应用于任意数据并生成固定大小（主要是非常小的大小）数据的函数。有许多不同类型的散列，但如果我们谈论图像散列，它用于：

• 快速查找重复项。几乎任何哈希函数都可以工作。您将查找图像的哈希，而不是搜索整个图像
• 找到类似的图像，我将在后面解释

---

如果只比较原始字节，与我们看起来相同的图像可能会有很大不同。这可能是由于：

• 调整大小
• 轮换
• 颜色稍有不同的伽马
• 不同格式
• 一些轻微的噪音、水印和瑕疵

即使你会发现一个仅仅在一个字节内不同的图像，如果你对它应用一个哈希函数，结果可能会非常不同（对于像它这样的哈希函数，很可能会完全不同）

所以你需要一个散列函数，它可以为相似的图像创建一个相似的（甚至相同的）散列。其中一个通用的是。但是我们知道图像会有什么样的问题，所以我们可以提出一个解决方案

最著名的算法有：

• .Average hashing是最简单的算法，它只使用很少的变换。缩放图像，转换为灰度，计算平均值，然后根据平均值对灰度进行二值化。现在将二值图像转换为整数。该算法非常简单，可以在一小时内实现
• 感知哈希使用类似的方法，但不是平均依赖于（信号处理中流行的转换）
• .Difference hash使用与a-hash相同的方法，但它不使用关于平均值的信息，而是使用梯度（相邻像素之间的差异）
• 。非常类似于p-hash，但它使用的不是DCT

---

---

顺便说一句，如果你使用python，所有这些散列都已经在中实现了。

好吧，只要你清楚两个图像可能看起来基本相同，或者完全相同，甚至只是元数据不同，那么是的……元数据不同，但根据这个“比较”仍然不匹配，那么是的。如果你不想，你会使用它吗o为图像指定一个唯一的难以猜测的名称？不，这并不难猜测，它可以直接从图像本身派生出来（你不想猜对的人可能可以访问该名称）。您可以先对图像进行变换或水印，这将更改图像，使散列不再工作，但我不确定您是否刚刚破坏了散列的值。在这里，我从几个方面改进了d-hash：