什么是图像哈希用于？

Question

我有时会听到这个词，并想知道它的用途是什么？

Answer 1

虽然正常散列文件会散列文件的各个数据位，但是图像散列的工作稍高一些。不同之处在于，对于图像散列，如果两张图片看起来几乎完全相同但是格式或分辨率不同（或者可能由于压缩而导致轻微损坏），则它们应该散列到相同的数字。尽管他们的数据的实际位数完全不同，但如果他们看起来与人类完全相同，那么他们就会同样的事情。

这个的一个应用是搜索。 TinEye.com允许您上传图像并在互联网上查找其中的许多内容。像谷歌一样，它有一个网页抓取工具，可以抓取网页并查找图片。然后它散列这些图像并将散列和URL存储在数据库中。上传图像时，它只是计算哈希值并检索链接到数据库中该哈希值的所有URL。 TinEye的示例用途包括查找更高分辨率版本的图片，或查找某人的公共facebook / myspace /等。他们的照片中的个人资料（假设这些个人资料使用相同的照片。

图像散列也可以与缓存或本地存储一起使用，以防止分别重新传输照片或存储重复项。

还有很多其他可能性，包括图像身份验证和在视频中查找类似的帧（正如其他人所提到的那样）。

Answer 2

Hashing是一个适用于任意数据并生成固定大小（通常是非常小的大小）数据的函数。有许多不同类型的哈希，但如果我们谈论图像哈希，它可以用于：

• 非常快速地找到重复项。几乎任何哈希函数都可以工作。您不会搜索整个图像，而是查找图像的哈希值。
• 找到类似的图片，我稍后会解释

如果您只是比较原始字节，那么看起来与我们相同的图像会有很大差异。这可能是由于：

• 调整大小
• 旋转
• 略有不同的颜色伽玛
• 格式不同
• 一些轻微的噪音，水印和文物

即使你会在一个字节中找到一个不同的图像，如果要对它应用哈希函数，结果可能会非常不同（对于像MD5, SHA这样的哈希，它很可能是完全不同的不同）。

因此，您需要一个哈希函数，它将为类似图像创建类似（或甚至相同）的哈希。其中一个通用的是locality sensitive hashing。但是我们知道图像会出现什么样的问题，所以我们可以提出more specialized kind of hash。

最着名的算法是：

• a-hash。平均散列是最简单的算法，只使用少量转换。缩放图像，转换为灰度，计算平均值并根据平均值对灰度进行二值化。现在将二进制图像转换为整数。该算法非常简单，您可以在一小时内实现它。
• p-hash。感知哈希使用类似的方法，但不是平均依赖于discrete cosine transformation（信号处理中的流行变换）。
• d-hash。差异散列使用与a-hash相同的方法，但不使用有关平均值的信息，而是使用渐变（相邻像素之间的差异）。
• w-hash。与p-hash非常相似，但它使用wavelet transformation而不是DCT。

顺便说一句，如果你使用python，所有这些哈希都已经在this library中实现了。

Answer 3

散列通常是将大量数据减少为可用于识别该图像的短（ish）数字的有用方法。

它们有时只是为了提供一种方便的方法来识别文件，而无需人工干预，特别是在有几个并行作者的情况下，不能依赖它来增加某些主计数器（JPG001 JPG002）而不重叠

有时候哈希是不可伪造的，所以我可以说 - 如果您生成的图像哈希与我发送给您的图像相同，那么您可以确定它来自我（并且没有调整）由一个恶人）。然而，并非所有的哈希都可以做出这种保证，每隔几年流行的这种“加密”哈希就会产生致命的缺陷。

Answer 4

在实践中，图像散列很受欢迎，可以在一系列帧或视频中找到相似的图像，或者像现在许多电影制片厂那样嵌入带有各种图像的水印（几乎可以在令人毛骨悚然的意义上回到战斗俱乐部！ ）。

Answer 5

嗯....比较图像（广义上，图片或任何其他二进制文件）快速而不比较整个文件？