DHash（Difference Hash）算法基於漸變實現，它工作在相鄰像素之間。首先需要將圖像縮小到8×9（行×列）像素大小，再將圖像進行灰度化。每行9個像素之間產生了8個不同的差異，一共8行，共產生64個差異值。若左邊像素比右邊像素更亮，則記為1，否則記為0。因此，我們就得到了圖像對應的64位哈希值。本節內容將介紹DHash的算法實現和相關分析。
7.6.1 DHash算法的使用
在Windows7環境下使用Microsoft Visual Studio 2010編譯環境，並配置OpenCV2.4.9及以上版本。
該算法對應的項目名稱為「dhashProject.sln」，位於「..\dhash」目錄下。
該算法的具體使用步驟如下：
（1）打開dhashProject文件夾，使用Visual Studio 2010打開dhashProject.sln。然後，打開項目下的源文件dhash.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");
按照以上步驟提示執行即可。
7.6.2 DHash算法原理
DHash算法是基於圖像相鄰像素之間的漸變。第一步，將圖像尺度歸一化，本算法中我們將圖像縮放至8×9（行×列）像素。當然，讀者也可以根據自己的情況設定大小。第二步，將圖像灰度化。第三步，計算圖像的哈希值。如果左邊的像素值比右邊相鄰的像素值高，則記為1；反之，則記為0。每行的9個像素產生8個差異值，一共8行，最後產生64個差異值。第四步，利用漢明距離進行相似性匹配。
其中，漢明距離是從一個哈希值到另一個哈希值需要替換（不相同）的位數。
7.6.3 DHash算法實現
下面介紹一下DHash算法實現的具體步驟。
1.縮小圖像
resize(image1, image, Size(9,8));
縮小圖像的尺寸為8×9（行×列）像素。
2.轉化成灰度圖
將第一步得到的圖像轉化成256階的灰度圖（此步驟已在讀取圖像時執行）。
3.計算哈希值
首先DHash算法是基於漸變的，因此它工作在相鄰像素之間。如果左邊的像素值比右邊相鄰的像素值高，則記為1；反之，則記為0。每行的9個像素產生8個差異值，一共8行，最後產生64個差異值。
4.指紋（hash值）匹配
計算兩張圖像哈希值之間的漢明距離（從一個哈希值到另一個哈希值需要變幾位，即不同的位數）。顯然，漢明距離越大，表示圖片越不相似。
7.6.4 DHash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，若我們想替換圖像集，則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。
輸入的查詢圖像在.cpp文件主函數中的代碼中：
2.實驗結果
查詢圖像如圖7-3所示。
圖7-3 查詢圖像（2）
檢索出的部分相似圖像如圖7-4所示。
圖7-4 檢索出的部分相似圖像（2）
圖像文件名在dhash.cpp同一路徑下的fileName.txt文件中，圖像集中每個圖像與查詢圖像的漢明距離保存在dhash.cpp同一路徑下的hanming-distance.txt文件中，其中fileName.txt和hanming-distance.txt文件中的每一行都一一對應。部分結果如表7-2所示。
表7-2 部分實驗結果（2）
續表
續表
3.實驗分析
算法中我們設置的漢明距離的閾值為3。所得到的實驗結果，查全率為28/42×100%=67.7%，但是噪聲極大，查准率很低。該算法更適用於圖像集中是否存在完全相同的圖像的查詢（而非近似圖像的查詢）。