通过指纹比较图像

Image Comparison by Finger Printing

我正在寻找通过指纹识别查找图像重复项的方法。我知道这是通过对图像应用哈希函数来完成的,每个图像都有一个唯一的哈希值。

我对图像处理还很陌生,对散列算法了解不多。我应该如何应用哈希函数并生成哈希值?

提前致谢

实现此目的的方法有很多,但最简单的方法是将图像转换为 base64 字符串,然后使用标准哈希库。在 python 中,它看起来像:

import base64
import md5



with open("foo.png", "rb") as image_file:
    encoded_string = base64.b64encode(image_file.read())
    m = md5.new()
    m.update(encoded_string)
    fingerprint = m.hexdigest()
    print(fingerprint)

如果您只是将哈希函数视为将一个(可能很大的)字符串转换为另一个字符串,您应该没问题。在上面的代码中,m.update() 只是将 encoded_string(一个非常大的 base64 字符串)转换为一个较小的十六进制字符串,我们通过调用 m.hexdigest().

您可以阅读 md5 库的 python 文档 here 但无论您使用何种语言,都应该有类似的内容。

您需要小心散列,某些图像格式(例如 JPEG 和 PNG)会在图像中存储 dates/times 和其他信息,这会使两张相同的图像看起来与普通工具不同,例如md5cksum.

这是一个例子。使用 ImageMagick

在终端的命令行中制作两个相同的 128x128 红色方块图像
convert -size 128x128 xc:red a.png
convert -size 128x128 xc:red b.png

现在检查他们的 MD5 和:

md5 [ab].png
MD5 (a.png) = b4b82ba217f0b36e6d3ba1722f883e59
MD5 (b.png) = 6aa398d3aaf026c597063c5b71b8bd1a

或者他们的校验和:

cksum [ab].png
4158429075 290 a.png
3657683960 290 b.png

糟糕,根据md5cksum,它们是不同的。为什么?因为日期相隔 1 秒。

我建议您使用 ImageMagick 校验和 "just the image data" 而不是元数据 - 当然,除非日期对你很重要:

identify -format %# a.png
e74164f4bab2dd8f7f612f8d2d77df17106bac77b9566aa888d31499e9cf8564

identify -format %# b.png
e74164f4bab2dd8f7f612f8d2d77df17106bac77b9566aa888d31499e9cf8564

现在它们是一样的,因为图像是一样的 - 只是元数据不同。

当然,您可能对 "Perceptual Hashing" 更感兴趣,如果两张图片 "look similar"。如果是,请查看 .

或者您可能对允许在亮度、方向或裁剪方面存在细微差异感兴趣——这完全是另一个话题。

如果您有兴趣查找 near 重复项,其中包括已调整大小的图像,您可以应用差异哈希。关于散列的更多信息 here. The code below is edited from Real Python 博客 post 使其在 python 中工作 3. 它使用链接到上面的散列库,其中包含关于不同类型散列的信息。您应该能够直接从命令行复制和粘贴脚本并 运行 它们,而无需编辑脚本。

第一个脚本 (index.py) 为每个图像创建一个差异散列,然后将散列与图像文件名( s) 具有该散列的:

from PIL import Image
import imagehash
import argparse
import shelve
import glob

# This is just so you can run it from the command line
ap = argparse.ArgumentParser()
ap.add_argument('-d', '--dataset', required = True,
                help = 'path to imput dataset of images')

ap.add_argument('-s', '--shelve', required = True,
                help = 'output shelve database')
args = ap.parse_args()

# open the shelve database
db = shelve.open(args.shelve, writeback = True)

# loop over the image dataset
for imagePath in glob.glob(args.dataset + '/*.jpg'):
    # load the image and compute the difference in hash
    image = Image.open(imagePath)
    h = str(imagehash.dhash(image))
    print(h)

    # extract the filename from the path and update the database using the hash
    # as the key and the filename append to the list of values

    filename = imagePath[imagePath.rfind('/') + 1:]
    db[h] = db.get(h, []) + [filename]

db.close()

运行 命令行:

python index.py --dataset ./image_directory --shelve db.shelve

运行 在 Jupyter 笔记本中

%run index.py --dataset ./image_directory --shelve db.shelve

现在所有的东西都存储在一个架子里,你可以用你想查看的图片文件名查询架子,它会打印出匹配的图片的文件名,同时打开匹配的图片(search.py):

from PIL import Image
import imagehash
import argparse
import shelve

# arguments for command line
ap = argparse.ArgumentParser()
ap.add_argument("-d", "--dataset", required=True,
            help="path to dataset of images")
ap.add_argument("-s", "--shelve", required=True,
            help="output the shelve database")
ap.add_argument("-q", "--query", required=True,
            help="path to the query image")
args = ap.parse_args()

# open the shelve database
db = shelve.open(args.shelve)

# Load the query image, compute the difference image hash, and grab the images
# from the database that have the same hash value
query = Image.open(args.query)
h = str(imagehash.dhash(query))
filenames = db[h]
print("found {} images".format(len(filenames)))

# loop over the images
for filename in filenames:
    print(filename)
    image = Image.open(args.dataset + "/" + filename)
    image.show()

# close the shelve database
db.close()

运行 在命令行上查看 image_directory./directory/someimage.jpg

具有相同哈希值的图像
python search.py —dataset ./image_directory —shelve db.shelve —query ./directory/someimage.jpg

同样,这是从上面链接的 Real Python 博客 post 修改而来的,它是为 python2.7 编写的,应该可以解决问题!只需根据需要更改命令行即可。如果我没记错的话,python 2/3 问题只是 argparse 而不是图像库。