根据哈希值或者特性值判断图片是否相同

执行图像的批量判重工作时，您可以选用多种方法，具体取决于对"重复"的定义以及您关注的重复范例（是否允许缩放、旋转或轻微的变化）。
方式一：哈希比对
这种方法非常适合寻找几乎相同或者颠末轻微缩放的重复图像。您可以使用像是平均哈希（aHash）、感知哈希（pHash）、差异哈希（dHash）等。
方法二：特性匹配
对于需要在图像中寻找相似部分或者某种程度的图像变化（如旋转、缩放）时，可以接纳特性点提取和匹配方法，例如SIFT、SURF或ORB。然而，这种方法比哈希比对更加复杂和计算麋集，但提供了更高级的图像匹配本领。
代码示例

1. import os
2. from PIL import Image
3. import imagehash
4. import cv2
7. class ImageProcess(object):
8.     def __init__(self, img_path, _type=None):
9.         """
10.         初始化函数
11.         type,1: 平均哈希 aHash， 2: pHash 感知哈希 3:差异哈希 dHash
12.         img_path: 图片目录
13.         """
14.         self._type = _type
15.         self.img_path = img_path
17.     def find_duplicates(self):
18.         """
19.         哈希对比-对比图片是否相同
20.         """
21.         hashes, duplicates = {}, []
22.         # 遍历图片目录
23.         image_list = [os.path.join(self.img_path, file_name) for file_name in os.listdir(self.img_path) if
24.                       file_name.endswith((".png", ".gif", ".jpeg", ".bmp"))]
25.         for _image in image_list:
26.             img = Image.open(_image)
27.             # 计算图像哈希值
28.             hash_val = imagehash.average_hash(img) if self._type == 1 else imagehash.phash(
29.                 img) if self._type == 2 else imagehash.dhash(img)
30.             if hash_val in hashes:
31.                 duplicates.append((_image, hashes[hash_val]))
32.             else:
33.                 hashes[hash_val] = _image
34.         return duplicates
36.     @staticmethod
37.     def match_images(img1, img2):
38.         """
39.         匹配图片
40.         """
41.         # 初始化orb检测器
42.         orb = cv2.ORB_create()
43.         # 提取关键点&描述器
44.         kp1, de1 = orb.detectAndCompute(img1, None)
45.         kp2, de2 = orb.detectAndCompute(img2, None)
46.         # 使用BFMatcher进行匹配
47.         bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
48.         matches = bf.match(de1, de2)
49.         matches = sorted(matches, key=lambda x: x.distance)
50.         # 依赖于定义的标准，这里只返回匹配特征点的数量
51.         return len(matches)
53.     def find_similar_images(self, some_threshold):
54.         """
55.         特征匹配-对比图片是否相同
56.         some_threshold: 相似度阈值
57.         """
58.         duplicates = []
59.         # 加载图片
60.         image_list = [os.path.join(self.img_path, file_name) for file_name in os.listdir(self.img_path) if
61.                       file_name.endswith((".png", ".gif", ".jpeg", ".bmp"))]
62.         images = [(_img, cv2.imread(_img, 0)) for _img in image_list]  # 以灰度模式读取图片
63.         # 图片两两对比
64.         for i in range(len(images)):
65.             for j in range(i + 1, len(images)):
66.                 img1_name, img1 = images[i]
67.                 img2_name, img2 = images[j]
68.                 matches = self.match_images(img1, img2)
69.                 # 假如匹配点超过阈值，则认为图片相似
70.                 if matches > some_threshold:
71.                     duplicates.append((img1_name, img2_name, matches))
72.         return duplicates
75. if __name__ == '__main__':
76.     img_type = 3
77.     _path = "XXX"
78.     img_obj = ImageProcess(_path)
79.     print(img_obj.find_similar_images(400))

复制代码

备注：
1: orb.detectAndCompute 是一种特性检测和描述符计算方法，通常用于图像处理和计算机视觉中。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特性检测器和 BRIEF 描述符的方法，它具有旋转不变性和尺度不变性。detectAndCompute 方法结合了特性检测和描述符计算两个步骤，可以在图像中检测出特性点并计算这些特性点的描述符。
具体来说，orb.detectAndCompute(image, mask) 的作用如下：
image 是输入的图像，用于举行特性检测和描述符计算。
mask 是可选参数，用于指定感爱好区域（ROI），只在这个区域内举行特性检测和描述符计算。
在使用 orb.detectAndCompute 方法时，通常需要先创建一个 ORB 对象，然后调用 detectAndCompute 方法来检测特性点并计算描述符。这个方法常用于图像特性匹配、目标检测、图像拼接等应用中。
2: cv2.ORB_create() 是 OpenCV 中用于创建 ORB 特性检测器对象的函数。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特性检测器和 BRIEF 描述符的特性提取算法，具有旋转不变性和尺度不变性，适用于图像特性匹配、目标检测等任务。

1. import cv2
3. # 创建 ORB 特征检测器对象
4. orb = cv2.ORB_create()
6. # 读取输入图像
7. image = cv2.imread('image.jpg')
9. # 将图像转换为灰度图
10. gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
12. # 使用 ORB 对象检测特征点并计算描述符
13. keypoints, descriptors = orb.detectAndCompute(gray_image, None)
15. # 绘制特征点
16. image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
18. # 显示图像
19. cv2.imshow('Image with keypoints', image_with_keypoints)
20. cv2.waitKey(0)
21. cv2.destroyAllWindows()

复制代码

在上面的示例中，首先使用 cv2.ORB_create() 创建了一个 ORB 特性检测器对象，然后读取输入图像并将其转换为灰度图像。接着使用 ORB 对象的 detectAndCompute() 方法检测图像中的特性点并计算描述符，最后将特性点绘制在图像上并显示出来。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。