dHash通过计算图像相邻像素差异生成64位哈希值，对内容变化敏感且具备一定亮度鲁棒性。首先缩放图像为9×8并转灰度图，比较每行相邻像素大小关系生成二进制序列，再转换为16进制字符串。Python中结合Pillow库可快速实现，利用汉明距离衡量哈希差异，距离越小图像越相似，通常小于5视为视觉相近，适用于图像去重与相似检索场景。
dHash（差异哈希）是一种常用于图像相似度比较的哈希算法。它通过计算图像像素之间的差异生成哈希值，对图像内容变化敏感但对亮度、对比度等小变动有一定鲁棒性。在Python中实现dHash非常简单，通常结合Pillow库处理图像。
1. 安装依赖库
使用dHash前需要安装图像处理库Pillow：
pip install Pillow2. dHash算法原理简述
dHash的核心步骤如下：
- 将图像缩放为9×8大小（8列用于计算8×8灰度差）
- 转换为灰度图
- 比较相邻像素：右边像素大于等于左边则对应位为1，否则为0
- 生成64位哈希值（8×8=64）
3. Python实现dHash函数
下面是一个完整的dHash实现示例：
立即学习“Python免费学习笔记（深入）”；
from PIL import Imagedef dhash(image_path, hash_size=8):
网趣网上购物系统HTML静态版
下载
网趣购物系统静态版支持网站一键静态生成，采用动态进度条模式生成静态，生成过程更加清晰明确，商品管理上增加淘宝数据包导入功能，与淘宝数据同步更新!采用领先的AJAX+XML相融技术，速度更快更高效！系统进行了大量的实用性更新，如优化核心算法、增加商品图片批量上传、谷歌地图浏览插入等，静态版独特的生成算法技术使静态生成过程可随意掌控，从而可以大大减轻服务器的负担，结合多种强大的SEO优化方式于一体，使
打开图像并调整大小为 (hash_size + 1) x hash_size
img = Image.open(image_path)
img = img.convert('L').resize((hash_size + 1, hash_size), Image.Resampling.LANCZOS)
# 获取像素数据
pixels = list(img.getdata())
# 计算差异：每行比较相邻像素
difference = []
for row in range(hash_size):
for col in range(hash_size):
left_pixel = pixels[row * (hash_size + 1) + col]
right_pixel = pixels[row * (hash_size + 1) + col + 1]
difference.append(left_pixel > right_pixel)
# 转换为二进制哈希
decimal_value = 0
for i, diff in enumerate(difference):
if diff:
decimal_value += 2**i
return "{:0>16x}".format(decimal_value) # 返回16字符hex字符串4. 使用示例与比较图像相似度
你可以用以下代码比较两张图的dHash相似度：
def hamming_distance(hash1, hash2): # 计算两个哈希间的汉明距离 return sum(c1 != c2 for c1, c2 in zip(hash1, hash2))示例使用
hash1 = dhash("image1.jpg") hash2 = dhash("image2.jpg")
print("Hash 1:", hash1) print("Hash 2:", hash2) print("汉明距离:", hamming_distance(hash1, hash2))
汉明距离越小，图像越相似。一般小于5认为视觉上接近。
基本上就这些。dHash实现简单、速度快，适合批量图像去重或查找相似图。注意确保输入图像路径正确，并处理可能的IO异常。实际应用中可缓存哈希值提升性能。
