【重复图识别】在茫茫图海中，怎么找到相同的它？

• 2020 年 12 月 10 日
• 筆記
• 感知哈希

背景

在一些图像相关的项目中，重复图识别是很重要的。就比如热图排行榜（需要识别出重复图）；涉及图像深度学习的项目（训练数据需要剔除重复图）；图片原创&视频原创（需要识别出重复图）等等。

什么是相同图片

什么是相同图片？相信在不同场景下，这个答案是不一样。有些场景把肉眼看起来一样的图片当作相同图片，有些场景把用滤镜处理过的图片也当作相同图片，而有些场景下只把原图当作相同图片。
这里按照相同程度划分，相同程度从高到低，其实可以分为3个等级：

• 绝对原图
• 肉眼相同
• 抄袭原图

接下来我们逐一详细介绍下这3类。

绝对原图

这个等级，图片相同的程度是最高的，就如下面2张图片，1.png通过直接copy的方式产生的2.png

它们从图片内容已经无法判断是否是原图，只能从文件的角度识别，一般来说都是直接md5判断2个图片，如下所示：

它属于用图片文件进行hash处理。

PS：一般来说，所有场景都会先用md5来过滤一边，因为它算法复杂度很低，根本不用理解图片

肉眼相同

这个等级的场景最多，比如图片训练数据去重，热图排行榜等等。
就如下图所示，1.png经过压缩、resize、转码等图片处理的方式产生的3.jpg：

它们肉眼看起来是相同，但是绝对不是原图，md5无法识别这种情况，只能图像的感知hash处理。感知hash主要有3种（AHash、DHash、PHash），它们都是用图片内容进行hash处理，只是hash方式不同，下面逐一介绍一波：

AHash

这种感知hash最简单，算法复杂度也最低，它只需要处理2步 预处理 + 二值化。

• 具体流程图如下所示：
  

它的二值化方式比较简单，只是比较了像素点跟均值，所以效果一般般。

• python源码如下：

 def ahash(image, hash_size=8):
     image = image.convert("L").resize((hash_size, hash_size), Image.ANTIALIAS)// 1、【预处理】转灰度图，resize
     pixels = numpy.asarray(image)
     avg = np.mean(pixels)//2、计算均值，这里也可以用中值
     diff = pixels > avg // 3、【二值化】大于均值为1，小于等于均值为0
     return diff

DHash

这种感知hash的复杂度也很低，重点是它比AHash的效果好，主要原因它二值化方式考虑上了相邻像素的差值，算法更加鲁棒。（当然这只是一种思想，我们也可以比较固定的2个像素点的大小，每个像素点都有一个与之对应的像素点）。
算法流程图如下（跟AHash差不多，差别在于二值化方式不一样）：

• python源码如下：

 def dhash(image, hash_size=8):
     image = image.convert("L").resize((hash_size + 1, hash_size), Image.ANTIALIAS)// 1、【预处理】转灰度图，resize
     pixels = numpy.asarray(image)
     diff = pixels[:, 1:] > pixels[:, :-1] //2、【二值化】相邻2个元素对比，右边大于左边为1，右边小于等于左边为0。（也可以改成上下2个元素的对比，或者固定2个元素之间的对比）
     return diff

Phash

Phash是目前效果最好，它引入了DCT变换，去除图片中的高频信息，把注意力集中在低频信息中，这是由于人眼对于细节信息不是很敏感。具体算法原理见下一篇。
phash有很多种改版，下面只给出效果最好的一种，它的算法流程图如下：

• python 源码如下：

 def phash(image, hash_size=8, highfreq_factor=4):
     import scipy.fftpack
     img_size = hash_size * highfreq_factor
     image = image.convert("L").resize((img_size, img_size), Image.ANTIALIAS)// 1、【预处理】转灰度图，resize
     pixels = numpy.asarray(image)
     dct = scipy.fftpack.dct(scipy.fftpack.dct(pixels, axis=0), axis=1) //DCT变换
     dctlowfreq = dct[:hash_size, :hash_size] //2、只留下直流&&低频变量
     med = numpy.median(dctlowfreq) //取中值
     diff = dctlowfreq > med //3、【二值化】大于中值为1，小于等于中值为0
     return diff

抄袭原图

这种场景也挺多的，而且其中每个场景都有自己独特的要求。就比如一个视频平台，它的视频原创项目，把加滤镜、换音频、裁剪等方式也判定为相同图片的话，感知hash已经不适用，必须用上图像深度学习了。
一般来说也不需要很强的模型，但是必须针对性的训练特定场景，就比如滤镜，logo，黑边等场景。
滤镜就如下图所示，1.png经过一个滤镜产生了4.png：

还有一种场景是游戏领域的视频去重，由于游戏背景都一样，只有小小的一块人物或者名字不同，也是需要针对性的加数据训练的。

这里的话，深度学习 MoCo 可能会合适一些。

总结

重复图在图像相关的项目中基本都会用到，不同的场景用不同的算法。