pHash与NumPy数组互转方法及旋转/翻转图像哈希匹配优化方案咨询

我来帮你解答这两个问题，结合实际代码和实践经验给出方案：

一、pHash与NumPy数组的互转方法 #

imagehash库的Hash对象可以很方便地和NumPy数组互相转换，具体代码如下：

1. 将pHash转换为NumPy数组

首先计算图像的pHash，然后直接转换为数组并重塑为8x8的矩阵（因为默认pHash是64位，对应8x8的特征矩阵）：

import imagehash
from PIL import Image
import numpy as np

# 计算原始图像的pHash
img = Image.open("your_image.jpg")
original_phash = imagehash.phash(img)

# 转换为8x8的NumPy数组
hash_array = np.array(original_phash).reshape(8, 8)

2. 将NumPy数组转回pHash

把处理后的数组展平为二进制字符串，再转换为整数，最后构建回Hash对象：

# 展平数组并转为二进制字符串
flattened_bits = hash_array.flatten()
binary_str = ''.join(str(bit) for bit in flattened_bits)

# 转回pHash对象
recovered_phash = imagehash.Hash(int(binary_str, 2), size=8)

这样就能完成两者的互转，之后你就可以用np.flip、np.rot90等函数对数组进行翻转/旋转变换了。

二、搜索旋转/翻转图像的更优方案 #

除了你提到的哈希数组变换思路，还有几种更高效的实践方案：

• 预计算变换哈希并批量存储：
  对于每个图像，预先计算原始、水平翻转、垂直翻转、旋转90°/180°/270°这6种常见变换对应的pHash，将这些哈希和原图像关联存储。搜索时直接匹配目标哈希与这些预计算的哈希，这样查询速度极快，唯一的代价是增加少量存储（每个图像多存5个64位整数，几乎可以忽略）。

• 直接在哈希层面生成变换后的哈希：
  如果你不想预存，也可以实时从原始哈希生成变换后的哈希。比如：

  # 生成水平翻转后的哈希
  flipped_array = np.flip(hash_array, axis=1)
  flipped_phash = imagehash.Hash(int(''.join(str(bit) for bit in flipped_array.flatten()), 2), size=8)
  
  # 生成旋转90°后的哈希
  rotated_array = np.rot90(hash_array)
  rotated_phash = imagehash.Hash(int(''.join(str(bit) for bit in rotated_array.flatten()), 2), size=8)
  

  这种方式比重新加载图像并计算哈希快得多，因为只需要处理8x8的小矩阵。

• 使用旋转鲁棒性更强的哈希算法：
  如果你希望从根源上减少变换后的哈希差异，可以考虑使用imagehash.dhash（差异哈希），它对小角度旋转和翻转的鲁棒性比pHash更好；或者自己实现基于圆形区域的感知哈希，这类哈希天生具备旋转不变性。

备注：内容来源于stack exchange，提问作者Übend