本文介绍如何将 imagehash 生成的感知哈希对象（如 phash）双向转换为 NumPy 布尔数组，从而支持翻转、旋转等几何变换后的哈希推导，并探讨其在相似图检索中的实用边界与替代策略。
本文介绍如何将 `imagehash` 生成的感知哈希对象（如 `phash`）双向转换为 numpy 布尔数组，从而支持翻转、旋转等几何变换后的哈希推导，并探讨其在相似图检索中的实用边界与替代策略。
imagehash 库（如 phash）内部以 8×8 的布尔矩阵（np.ndarray of bool）形式存储哈希值，该矩阵可通过 .hash 属性直接访问；反之，也可用 imagehash.ImageHash(hash_array) 构造新哈希对象。这种双向转换为哈希层面的几何变换提供了基础支持。
以下是一个完整示例，展示如何将原始 pHash 转换为 NumPy 数组、执行水平翻转（np.fliplr）、再重建为新的 ImageHash 对象：
import numpy as np
import imagehash
from PIL import Image
# 加载图像并计算原始 phash
img = Image.open("house.jpg")
orig_hash = imagehash.phash(img)
print("原始哈希:", orig_hash) # e.g., fde1921f6c20b34c
# ✅ 转换为 NumPy 布尔数组（shape: (8, 8)）
hash_array = orig_hash.hash # dtype=bool, shape=(8, 8)
print("哈希数组形状:", hash_array.shape)
# 示例：水平翻转（模拟镜像图像）
flipped_array = np.fliplr(hash_array)
# ✅ 从变换后的数组重建 ImageHash 对象
flipped_hash = imagehash.ImageHash(flipped_array)
print("翻转后哈希:", flipped_hash) # e.g., 7de1921f6c20b34c
# 可进一步计算汉明距离验证效果
distance = orig_hash - flipped_hash
print("原始 vs 翻转哈希的汉明距离:", distance)⚠️ 重要注意事项：
-
imagehash.ImageHash构造器仅接受 shape=(8,8) 的bool或int（0/1）数组，传入浮点数或错误维度会引发ValueError； -
np.rot90(hash_array, k=1)可用于 90° 旋转，但需注意：pHash 对旋转不鲁棒——即使图像仅旋转 90°，其频域特征已显著偏移，直接翻转哈希矩阵得到的哈希值虽可计算，但与真实旋转图的 pHash 并不等价（实测汉明距离常 >15），因此不能替代对旋转图重提特征； - 若目标是鲁棒检测翻转/旋转副本，更可靠的做法是：预生成多方向哈希（原图 + H-flip + V-flip + rot90/180/270）并批量比对，或改用旋转不变哈希（如
radial_hash）或深度特征（如 ResNet embeddings + 余弦相似度）。
综上，哈希→NumPy→变换→哈希的流程在技术上可行且轻量，适用于快速生成对称变体哈希；但因其未建模频域相位变化，在高精度旋转匹配场景中应谨慎使用，并优先考虑特征级不变性设计。
