PHash算法（Perceptual Hash algorithm），即感知哈希算法，计算基于低频的均值哈希。它对每一张图像生成一个指纹字符串，进而通过该字符串比较不同图片对应的指纹。若结果越接近，就说明图片相似度越高。可应用于以图搜图的应用中。下面是我们基于OpenCV实现的算法及相关分析。本算法思想见参考文献[3]。
7.5.1 PHash算法的使用
在Windows7环境下，使用Microsoft Visual Studio 2010开发环境，配置OpenCV2.4.9及以上版本。
该算法的项目文件名称是“phashProject.sln”，位于“..phash”路径下。具体操作步骤如下。
（1）打开PHash→phashProject.sln，然后打开源文件phashproject.cpp。
（2）输入训练数据集路径和格式替换时可在主函数下面两行代码中修改：
（3）修改输入测试数据的路径时，应在以下代码中修改：
sprintf(model_fileName, /"image150x200//S001-002.jpg");
（4）输出数据在与项目phashproject.cpp文件同一路径下的hanmingdistance.txt文件中。
按照以上步骤提示执行phashproject.cpp文件即可。
7.5.2 PHash算法原理
Phash算法的基本原理是：首先将图片转换为灰度图，再将图片调整到32×32像素的尺寸并通过DCT变换，取左上角8×8像素的区域。然后，计算这64个像素的灰度平均值，将每个像素的灰度值与平均值进行比较，大于平均值的记为1，否则记为0，从而得到64位哈希值。
7.5.3 PHash算法实现
PHash算法的具体计算步骤如下。
（1）将输入图片转换成灰度图：
若是RGB彩色图像，则将其转换成灰度图像。
（2）缩小图片的尺寸为32×32像素：
这样做的目的是便于DCT变换，节省运行时间。
（3）DCT（Discrete Cosine Transform）变换：
dct(image, imageDct);//DCT变换
对于一般的图像而言，大多数DCT系数值都接近于0，因此去掉这些系数不会对重建图像的质量产生较大的影响。这样，利用DCT进行图像压缩可以节省大量的存储空间和运行时间。
（4）缩小DCT，保留左上角8×8像素的区域：
一般来说，变换后的DCT系数值较大的会集中在区域的左上部，即低频分量都集中在左上部。所以，我们只取左上角8×8像素的区域。
（5）计算8×8像素区域的平均值，进行像素值比较并求hash值：
计算最终DCT变换后的所有像素点（8×8）的平均值，并对每一个像素点遍历，若像素点大于平均值，则记为1；反之，则记为0。组合成64个信息位作为该图像的信息指纹，顺序保持一致性即可。
（6）指纹（hash值）匹配：
计算两幅图像哈希值之间的汉明距离（两个相同长度的哈希值之间的汉明距离）。显然，汉明距离越大，表示图片越不相似。
7.5.4 PHash算法的实验数据、实验结果及分析
1.实验数据
实验的输入图像集在项目路径下，若需要替换图像集，则可在主函数的前两行进行修改。其中，第一行表示图像的路径名，第二行表示图像的类型。
输入查询图像的路径：
2.实验结果
查询图像如图7-1所示。
图7-1 查询图像（1）
检索出的部分相似图像如图7-2所示。
图7-2 检索出的部分相似图像（1）
实验结果保存在与phashproject.cpp同一路径下的hanming-distance.txt和fileName.txt文件内。其中，fileName.txt表示图像集的图像名，hanming-distance.txt中每一行表示对应图像与查询图像的汉明距离。部分结果如表7-1所示。
表7-1 部分实验结果（1）
续表
续表
3.实验分析
相似图像的相似度（汉明距离）大多在小于等于5的范围内。本算法中我们设置的阈值为6，也就是说，凡是汉明距离小于6的，都被我们认为是相似图像，并输出“yes”作标记。本算法中查准率为40/48×100%=83.3%，查全率为40/42×100%=95.2%。