PHash算法（Perceptual Hash algorithm），即感知哈希算法，計算基於低頻的均值哈希。它對每一張圖像生成一個指紋字符串，進而通過該字符串比較不同圖片對應的指紋。若結果越接近，就說明圖片相似度越高。可應用於以圖搜圖的應用中。下面是我們基於OpenCV實現的算法及相關分析。本算法思想見參考文獻[3]。
7.5.1 PHash算法的使用
在Windows7環境下，使用Microsoft Visual Studio 2010開發環境，配置OpenCV2.4.9及以上版本。
該算法的項目文件名稱是「phashProject.sln」，位於「..phash」路徑下。具體操作步驟如下。
（1）打開PHash→phashProject.sln，然後打開源文件phashproject.cpp。
（2）輸入訓練數據集路徑和格式替換時可在主函數下面兩行代碼中修改：
（3）修改輸入測試數據的路徑時，應在以下代碼中修改：
sprintf(model_fileName, \"image150x200\\S001-002.jpg");
（4）輸出數據在與項目phashproject.cpp文件同一路徑下的hanmingdistance.txt文件中。
按照以上步驟提示執行phashproject.cpp文件即可。
7.5.2 PHash算法原理
Phash算法的基本原理是：首先將圖片轉換為灰度圖，再將圖片調整到32×32像素的尺寸並通過DCT變換，取左上角8×8像素的區域。然後，計算這64個像素的灰度平均值，將每個像素的灰度值與平均值進行比較，大於平均值的記為1，否則記為0，從而得到64位哈希值。
7.5.3 PHash算法實現
PHash算法的具體計算步驟如下。
（1）將輸入圖片轉換成灰度圖：
若是RGB彩色圖像，則將其轉換成灰度圖像。
（2）縮小圖片的尺寸為32×32像素：
這樣做的目的是便於DCT變換，節省運行時間。
（3）DCT（Discrete Cosine Transform）變換：
dct(image, imageDct);//DCT變換
對於一般的圖像而言，大多數DCT係數值都接近於0，因此去掉這些係數不會對重建圖像的質量產生較大的影響。這樣，利用DCT進行圖像壓縮可以節省大量的存儲空間和運行時間。
（4）縮小DCT，保留左上角8×8像素的區域：
一般來說，變換後的DCT係數值較大的會集中在區域的左上部，即低頻份量都集中在左上部。所以，我們只取左上角8×8像素的區域。
（5）計算8×8像素區域的平均值，進行像素值比較並求hash值：
計算最終DCT變換後的所有像素點（8×8）的平均值，並對每一個像素點遍歷，若像素點大於平均值，則記為1；反之，則記為0。組合成64個信息位作為該圖像的信息指紋，順序保持一致性即可。
（6）指紋（hash值）匹配：
計算兩幅圖像哈希值之間的漢明距離（兩個相同長度的哈希值之間的漢明距離）。顯然，漢明距離越大，表示圖片越不相似。
7.5.4 PHash算法的實驗數據、實驗結果及分析
1.實驗數據
實驗的輸入圖像集在項目路徑下，若需要替換圖像集，則可在主函數的前兩行進行修改。其中，第一行表示圖像的路徑名，第二行表示圖像的類型。
輸入查詢圖像的路徑：
2.實驗結果
查詢圖像如圖7-1所示。
圖7-1 查詢圖像（1）
檢索出的部分相似圖像如圖7-2所示。
圖7-2 檢索出的部分相似圖像（1）
實驗結果保存在與phashproject.cpp同一路徑下的hanming-distance.txt和fileName.txt文件內。其中，fileName.txt表示圖像集的圖像名，hanming-distance.txt中每一行表示對應圖像與查詢圖像的漢明距離。部分結果如表7-1所示。
表7-1 部分實驗結果（1）
續表
續表
3.實驗分析
相似圖像的相似度（漢明距離）大多在小於等於5的範圍內。本算法中我們設置的閾值為6，也就是說，凡是漢明距離小於6的，都被我們認為是相似圖像，並輸出「yes」作標記。本算法中查准率為40/48×100%=83.3%，查全率為40/42×100%=95.2%。