DHash（Difference Hash）算法基于渐变实现，它工作在相邻像素之间。首先需要将图像缩小到8×9（行×列）像素大小，再将图像进行灰度化。每行9个像素之间产生了8个不同的差异，一共8行，共产生64个差异值。若左边像素比右边像素更亮，则记为1，否则记为0。因此，我们就得到了图像对应的64位哈希值。本节内容将介绍DHash的算法实现和相关分析。
7.6.1 DHash算法的使用
在Windows7环境下使用Microsoft Visual Studio 2010编译环境，并配置OpenCV2.4.9及以上版本。
该算法对应的项目名称为“dhashProject.sln”，位于“../dhash”目录下。
该算法的具体使用步骤如下：
（1）打开dhashProject文件夹，使用Visual Studio 2010打开dhashProject.sln。然后，打开项目下的源文件dhash.cpp。
（2）输入训练数据集路径和格式替换时可在主函数下面两行代码中修改：
（3）修改输入测试数据的路径时，应在以下代码中修改：
sprintf(model_fileName, "image150x200//S001-002.jpg");
按照以上步骤提示执行即可。
7.6.2 DHash算法原理
DHash算法是基于图像相邻像素之间的渐变。第一步，将图像尺度归一化，本算法中我们将图像缩放至8×9（行×列）像素。当然，读者也可以根据自己的情况设定大小。第二步，将图像灰度化。第三步，计算图像的哈希值。如果左边的像素值比右边相邻的像素值高，则记为1；反之，则记为0。每行的9个像素产生8个差异值，一共8行，最后产生64个差异值。第四步，利用汉明距离进行相似性匹配。
其中，汉明距离是从一个哈希值到另一个哈希值需要替换（不相同）的位数。
7.6.3 DHash算法实现
下面介绍一下DHash算法实现的具体步骤。
1.缩小图像
resize(image1, image, Size(9,8));
缩小图像的尺寸为8×9（行×列）像素。
2.转化成灰度图
将第一步得到的图像转化成256阶的灰度图（此步骤已在读取图像时执行）。
3.计算哈希值
首先DHash算法是基于渐变的，因此它工作在相邻像素之间。如果左边的像素值比右边相邻的像素值高，则记为1；反之，则记为0。每行的9个像素产生8个差异值，一共8行，最后产生64个差异值。
4.指纹（hash值）匹配
计算两张图像哈希值之间的汉明距离（从一个哈希值到另一个哈希值需要变几位，即不同的位数）。显然，汉明距离越大，表示图片越不相似。
7.6.4 DHash算法的实验数据、实验结果及分析
1.实验数据
实验的输入图像集在项目路径下，若我们想替换图像集，则在主函数的前两行进行修改。其中，第一行表示图像的路径名，第二行表示图像的类型。
输入的查询图像在.cpp文件主函数中的代码中：
2.实验结果
查询图像如图7-3所示。
图7-3 查询图像（2）
检索出的部分相似图像如图7-4所示。
图7-4 检索出的部分相似图像（2）
图像文件名在dhash.cpp同一路径下的fileName.txt文件中，图像集中每个图像与查询图像的汉明距离保存在dhash.cpp同一路径下的hanming-distance.txt文件中，其中fileName.txt和hanming-distance.txt文件中的每一行都一一对应。部分结果如表7-2所示。
表7-2 部分实验结果（2）
续表
续表
3.实验分析
算法中我们设置的汉明距离的阈值为3。所得到的实验结果，查全率为28/42×100%=67.7%，但是噪声极大，查准率很低。该算法更适用于图像集中是否存在完全相同的图像的查询（而非近似图像的查询）。