1. 前言

现在手中只有一张图像需要在一个集合中去找到与之最相近的那一张，这个过程实际是一个匹配的过程，特别是在多模态医学图像中解决这样的问题是比较迫切的，今年试验了一种广泛使用的算法——感知哈希算法！具体的实验结果将在下文中给出。

2. 算法原理

step1：缩小图片尺寸
将图片缩小到8×8的尺寸, 总共64个像素. 这一步的作用是去除各种图片尺寸和图片比例的差异, 只保留结构、明暗等基本信息。

step2：转为灰度图片
将缩小后的图片, 转为64级灰度图片。

step3：计算灰度平均值
计算图片中所有像素的灰度平均值
step4：比较像素的灰度
将每个像素的灰度与平均值进行比较, 如果大于或等于平均值记为1, 小于平均值记为0。
step5：计算哈希值
将上一步的比较结果, 组合在一起, 就构成了一个64位的二进制整数, 这就是这张图片的指纹。
step6：对比图片指纹
得到图片的指纹后, 就可以对比不同的图片的指纹, 计算出64位中有多少位是不一样的. 如果不相同的数据位数不超过5, 就说明两张图片很相似, 如果大于10, 说明它们是两张不同的图片。

3. Python实现

# -*- coding=utf-8 -*-
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt


# extract feature
# lines: src_img path
def Extra_Featrue(lines, new_rows=64, new_cols=64):
    for name in lines:
        ori_img = Image.open(name.strip())
        feature_img = ori_img.resize((new_rows, new_cols))
        feature_img = feature_img.convert('L')
        mean_value = np.mean(np.mean(feature_img))
        feature = feature_img >= mean_value
        feature = np.matrix(feature, np.int8)
        if 'features' in locals():
            temp = np.reshape(feature, (1, new_cols * new_rows))
            features = np.vstack([features, temp])
        else:
            features = np.matrix(np.reshape(feature, (1, new_cols * new_rows)))

    return features


# use MRI image features to find candidate CT images
def MRIFindCT(mri_feature, mri_lines, ct_feature, ct_lines):
    for i in np.arange(0, np.shape(mri_feature)[0]):
        dist = []
        mri = mri_feature[i, :]
        for j in np.arange(0, np.shape(ct_feature)[0]):
            ct = ct_feature[j, :]
            temp = mri != ct
            sum = np.sum(temp)
            dist.append(sum)
        # find minimum while ignoring the zeros on the diagonal
        index = np.argsort(dist)
        img1_path = mri_lines[i]
        img2_path = ct_lines[index[1]]
        img3_path = ct_lines[index[2]]
        img4_path = ct_lines[index[3]]
        img1 = Image.open(img1_path)
        img2 = Image.open(img2_path)
        img3 = Image.open(img3_path)
        img4 = Image.open(img4_path)
        plt.subplot(2, 2, 1)
        plt.imshow(img1)
        plt.title('MRI Image(%s)' % img1_path[img1_path.__len__() - 10:])
        plt.axis('off')
        plt.xlabel(img1_path[img1_path.__len__() - 10:])
        plt.subplot(2, 2, 2)
        plt.imshow(img2)
        plt.title('Candidate CT Image1(%s)' % img2_path[img2_path.__len__() - 10:])
        plt.axis('off')
        plt.xlabel(img2_path[img2_path.__len__() - 10:])
        plt.subplot(2, 2, 3)
        plt.imshow(img3)
        plt.title('Candidate CT Image2(%s)' % img3_path[img3_path.__len__() - 10:])
        plt.axis('off')
        plt.xlabel(img3_path[img3_path.__len__() - 10:])
        plt.subplot(2, 2, 4)
        plt.imshow(img4)
        plt.title('Candidate CT Image3(%s)' % img4_path[img4_path.__len__() - 10:])
        plt.axis('off')
        plt.xlabel(img4_path[img4_path.__len__() - 10:])
        plt.show()

# set data source
src_path = './1794-MR/MR.txt'  # *.txt file contain MRI images
dst_path = './1794-CT/CT.txt'  # *.txt file contain CT images
mri_lines = [line.strip() for line in open(src_path)]
ct_lines = [line.strip() for line in open(dst_path)]

# extract feature
set_size = 8
mri_feature = Extra_Featrue(mri_lines, set_size, set_size)
ct_feature = Extra_Featrue(ct_lines, set_size, set_size)

# use feature to find candidate img
MRIFindCT(mri_feature, mri_lines, ct_feature, ct_lines)

4. 结果

上面已经将算法的原理介绍了，很简单实现起来也很容易。这里给出几幅实验的结果作为参考
case1:

case2:

从结果可以看到在一些图片中匹配的效果并不是很好，应该是抽取的特征致使匹配的结果出现偏差