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：

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（8×8）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

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

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

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：

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：

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。