Python 图像哈希库 imagehash——从原理到实践

---

一、前言：为什么需要图像哈希？

在当下的互联网环境中，图像数据以爆炸式速度增长。从社交平台的图片分发，到电商平台的商品图采集，再到内容审核、重复图像检测、盗图追踪，如何高效比较两个图像是否相同或相似成为一个核心问题。

我们可以使用深度学习模型如 CNN、ViT 提取图像特征，但这需要 GPU，代价高、复杂度大。而传统图像处理领域提供了一个简单高效的解决方案。

图像感知哈希（Perceptual Hash, pHash）及其系列算法

Python 的 imagehash 库正是目前应用最广、最稳定的一套图像哈希计算工具。

它具有以下特点：

• 速度极快（毫秒级）
• 对缩放、旋转、亮度变化不敏感
• 哈希值可用于相似度比较
• 包含多个算法：aHash、pHash、dHash、wHash

无论你是做：内容去重、图像相似搜索、爬虫去重、图库管理、数字资产管理、图形数据库、以图搜图系统，imagehash 都能胜任。

接下来，我们将从安装、算法原理、使用方法、进阶技巧，逐步完整展开。

---

二、imagehash 库简介

imagehash 是基于 PIL（即 pillow）的图像感知哈希算法工具包。

安装方式非常简单：

pip install imagehash pillow

常用导入方式：

from PIL import Image
import imagehash

它支持四大经典图像哈希算法：

哈希算法	全称	优点	使用场景
aHash	average hash	简单快速	基础相似检测、轻量级应用
pHash	perceptual hash	最稳健、常用	内容审查、重复图检测
dHash	difference hash	相当稳定	图像去重、图像聚类
wHash	wavelet hash	去噪效果强	细节损失较多场景

除此之外，它还支持 colorhash、crop-resistant hash 等进阶算法。

---

三、图像感知哈希的核心思想

传统哈希（如 MD5、SHA256）的特点是：

输入只要有一点点变化，输出就完全不同。

所以不能用来比较图像相似度。

感知哈希的思想正好相反：

当两张图片"看起来相似"时，它们的哈希应当相近。

因此，感知哈希的目标：

• 忽略图像的噪声
• 忽略尺寸变化
• 忽略亮度变化
• 忽略轻微裁剪
• 保留整体结构和视觉内容

最终得到一个通常使用 64 bit（8x8）长度的哈希值：

例：

ff00aa55cc33ee99

两个哈希值之间的差异（Hamming Distance）即可判断图像相似度。

例如：

hash1 = imagehash.phash(Image.open("img1.jpg"))
hash2 = imagehash.phash(Image.open("img2.jpg"))

similarity = hash1 - hash2  # 汉明距离

通常距离 <5 可以认为是同一张图片或极其相似。

---

四、四大常用哈希算法全面解析

接下来我们分别讲解算法原理、特点和代码使用。

---

1. aHash ------ 平均哈希（Average Hash）

算法流程

1. 把图像缩小到 8x8
2. 转成灰度
3. 求平均值
4. 灰度 > 平均值 → 1，否则 → 0
5. 得到 64 bit 哈希

特点

• 速度最快
• 简单，可用于海量图片快速预处理
• 对亮度变换不敏感
• 但对轻微变化敏感（裁剪、噪声）

代码示例

hash_val = imagehash.average_hash(Image.open('x.jpg'))
print(hash_val)

---

2. pHash ------ 感知哈希（最经典）

算法流程

1. 图像缩放为 32x32
2. 转灰度
3. 使用 DCT 变换（离散余弦变换）
4. 取左上角 8x8 低频区块
5. 比较低频分量与均值

特点

• 对缩放、亮度变化非常稳健
• 效果最好、最常用
• 比 aHash 略慢（仍然非常快）

代码示例

hash_val = imagehash.phash(Image.open('x.jpg'))
print(hash_val)

---

3. dHash ------ 差值哈希

算法流程

1. 缩放为 9x8
2. 比较相邻像素
3. 灰度左 > 右 → 1，否则 → 0

特点

• 对结构变化敏感
• 比 pHash 快
• 效果稳定，广泛用于图像去重

代码

hash_val = imagehash.dhash(Image.open('x.jpg'))

---

4. wHash ------ 小波变换哈希（Wavelet Hash）

特点

• 抗噪声能力最强
• 对模糊图、压缩图也稳定
• 稍微比 pHash 慢

使用

hash_val = imagehash.whash(Image.open('x.jpg'))

---

五、哈希值比较：判断两图是否相似

imagehash 的对象支持直接做减法：

hash1 = imagehash.phash(Image.open('a.jpg'))
hash2 = imagehash.phash(Image.open('b.jpg'))

distance = hash1 - hash2  # 汉明距离

一般参考阈值：

汉明距离	相似度判断
0	完全相同
1-5	同一张图片、压缩尺寸不同
6-10	内容相似（例如同一物体）
10 以上	基本不相似

可自定义阈值：

if distance < 5:
    print("图片相似")

---

六、在实战中使用 imagehash：10 个典型场景

1. 大规模图片去重（电商、图库）

适用于：

• 商品图片采集
• 抖音/小红书去重
• 内容审核系统

使用 pHash 或 dHash 最稳定。

2. 内容审核（版权、盗图识别）

可用于发现：

• 相似照片
• 水印图
• 裁剪、调整过的图像

3. 搜索引擎：以图搜图

流程：

1. 给每个图库图片生成哈希
2. 用户上传图片计算哈希
3. 计算差值 <5 的返回

4. 图形数据库（如 Elasticsearch + imagehash）

将哈希存储为字符串即可快速检索。

5. 图像聚类

可用于：

• 人像去重
• 事件聚类
• 相册管理

借助 k-means/DBSCAN 可聚类哈希向量。

6. 监控场景：帧相似度检测

可判断：

• 场景变化
• 异常事件
• 镜头切换

7. 视频抽帧去重

imagehash + ffmpeg：

• 抽帧
• 计算哈希
• 剔除重复

8. 防止重复提交（如合同照片）

可根据哈希查重。

9. 对抗恶搞图片（meme 分析）

字符变换颜色后仍可检测相似。

10. 软件安全与内容完整性验证

判断图标、UI素材是否被篡改。

---

七、进阶使用：colorhash、crop-resistant-hash 等

imagehash 还提供高级功能：

---

1. ColorHash（颜色直方图哈希）

适合风景图、背景色分类。

hash_val = imagehash.colorhash(Image.open('x.jpg'))

---

2. Crop-Resistant Hash（最强算法）

对裁剪、长宽变化非常稳健。

适用于：

• 社交平台裁剪图
• 盗图识别

---

八、与 OpenCV 和 deep learning 的对比

1. 与 OpenCV 的 difference hash 对比

OpenCV 也能写 dHash，但 imagehash 更完整。

2. 与深度学习特征（CNN、CLIP）相比

imagehash 优点：

• 更快（毫秒级）
• 无需 GPU
• 部署简单
• 结果可解释（哈希差）

深度学习优点：

• 支持复杂语义相似度
• 更多场景（如动物、物体检测）

结论：

imagehash 适合结构相似检测，深度学习适合语义相似检测。

在工程中常常两种结合使用。

---

九、性能优化方案（适合海量数据）

如果要处理百万级图片，可采取：

1. 批处理哈希计算

多线程：

from concurrent.futures import ThreadPoolExecutor

def calc(path):
    return imagehash.phash(Image.open(path))

with ThreadPoolExecutor(20) as pool:
    results = list(pool.map(calc, images))

2. 哈希存储结构优化

存储为：

• 64-bit int
• binary bit array

可加速比较。

3. 使用 Annoy / FAISS 做哈希近似搜索

imagehash 返回的是 64bit bit-array，可作为向量存入 FAISS。

---

十、完整示例：构建一个图片重复检测系统

以下代码展示一个从目录中自动检测重复图片的完整程序：

from PIL import Image
import imagehash
import os

def find_duplicates(folder, threshold=5):
    hash_dict = {}
    duplicates = []

    for fname in os.listdir(folder):
        if not fname.lower().endswith(('.jpg', '.png', '.jpeg')):
            continue

        path = os.path.join(folder, fname)
        img = Image.open(path)

        h = imagehash.phash(img)

        for oh, opath in hash_dict.values():
            if h - oh < threshold:
                duplicates.append((path, opath))
                break

        hash_dict[fname] = (h, path)

    return duplicates

dups = find_duplicates("images/")

for a, b in dups:
    print("相似图片:", a, "<==>", b)

---

十一、常见问题 FAQ

Q1：不同算法的差异如何选择？

建议：

• 宽松去重：pHash
• 快速去重：dHash
• 抗噪声：wHash
• 色彩特征：colorhash

---

Q2：为什么同一图片的哈希值有时不同？

可能原因：

• EXIF 旋转信息不同
• 图像压缩/分辨率变化
• 使用了不同算法

---

Q3：汉明距离阈值如何设定？

经验值：

• 0~5：同一张图
• 5~10：内容相似

• 10：不同

---

十二、总结：imagehash 仍是图像相似性计算中最值得使用的工具

即使在深度学习时代，imagehash 仍然是工程中最常用的图像相似工具之一，因为它：

• 速度快
• 精度稳定
• 轻量级
• 部署简单
• 跨领域通用

适合作为图像比对的第一道过滤器，再结合深度学习做更高精度分析。

---