【重复图识别】在茫茫图海中，怎么找到相同的它？

转载请标名出处。

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？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。

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

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、WHash），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：

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：

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：

Phash是目标效果比较好的，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【PHash】更懂人眼的感知哈希。 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：

WHash比PHash效果好一丢丢，但是它的复杂度高一些。它是利用小波变换分离低频、高频信息，从而获取到低频信息的。但是它比Phash优势的一点是它还保存了原本图片的空间信息。 具体算法原理见【WHash】更有空间感的感知哈希。 WHash流程图如下： 下面附上源代码，代码很短，也可以先忽略：

• python源码如下：

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。