高效近似重复图像搜索与删除工具
2024-06-14 15:26:51作者:裴锟轩Denise
作者:Umberto Griffo Twitter:@UmbertoGriffo
这款Python脚本是一款命令行工具,专门用于从目标目录中可视化、检查并删除近似重复的图像。它利用了ImageHash库中的pHash算法进行图像哈希,并将哈希值存储在KDTree结构中,进行最近邻搜索。
请注意: 我不对该脚本中的错误或意外删除图片负责。请谨慎使用并在操作前备份你的图片。这个算法设计用于发现几乎相同的图像,但不适用于寻找概念上相似的图像。
内容概览
pHash定义
pHash是一种基于图像特征生成独特(但非唯一)指纹的方法,这些指纹可比较。相对于MD5和SHA1等加密哈希函数,感知哈希(perceptual hashes)是一个不同的概念。即使图像有缩放、不同比例或轻微色彩差异,它们仍能匹配到类似图像。
KDTree定义
KDTree是k维空间的一种空间划分数据结构,常用于组织点数据。特别地,它有助于按照特定条件对数据点进行组织和分区。KDTree在涉及多维度搜索键(如范围搜索和最近邻搜索)的应用中非常有用。
平均复杂度
操作 | 查找 | 插入 | 删除 |
---|---|---|---|
时间 | O(n) | O(log n) | O(log n) |
其中n是点的数量。
搜索流程
删除过程
安装
查看INSTALL.md获取安装指南。
如何使用Makefile
先决条件
安装Python3
和virtualenv
,参考INSTALL.md中的“选项2”。
- 全部操作:
make all
- 进行设置、测试和打包。
- 设置:
make setup-env
- 安装所有依赖项。
- 导出环境依赖:
make export_env
- 导出一个requirements.txt文件,包含环境详细依赖。
- 测试:
make test
- 运行所有测试。
- 使用pytest。
- 清理:
make clean
- 移除环境。
- 移除所有缓存文件。
- 检查:
make check
- 确保
which pip3
和which python3
指向正确路径。
- 确保
- 代码风格检查:
make lint
- 检查PEP8合规性和代码异味,使用pylint。
- 打包:
make package
- 创建软件包以安装。
注意: 作为初始化命令运行设置
(或在清理
后运行)
使用方法
参数
<command> delete 或 show 或 search。
--images-path /path/to/images/
图像所在的目录。
--output-path /path/to/output/
结果保存的目录。
-q /path/to/image/, --query /path/to/image/
查询图像的路径
--tree-type {KDTree,cKDTree}
--leaf-size LEAF_SIZE
树的叶子大小。
--hash-algorithm {average_hash,dhash,phash,whash}
使用的哈希算法。
--hash-size HASH_SIZE
哈希的尺寸。
-d {euclidean,l2,minkowski,p,manhattan,cityblock,l1,chebyshev,infinity}, --distance-metric {euclidean,l2,minkowski,p,manhattan,cityblock,l1,chebyshev,infinity}
距离度量。
--nearest-neighbors NEAREST_NEIGHBORS
最近邻数量。
--threshold THRESHOLD
门限值。
--parallel [parallel]
是否启用并行计算。
--batch-size BATCH_SIZE
并行时使用的批次大小。
--backup-keep [BACKUP_KEEP]
是否保存要保留的图像。
--backup-duplicate [BACKUP_DUPLICATE]
是否保存副本。
--safe-deletion [SAFE_DELETION]
是否执行安全删除(不实际删除)。
--image-w IMAGE_W 将源图像调整为指定大小。
--image-h IMAGE_H 将源图像调整为指定大小。
从目标目录中删除近似重复图像
$ deduplication delete --images_path <target_dir> --output_path <output_dir> --tree_type KDTree
例如:
deduplication delete \
--images-path datasets/potatoes_multi_folder \
--output-path outputs \
--tree-type KDTree \
--threshold 40 \
--parallel y \
--nearest-neighbors 5 \
--hash-algorithm phash \
--hash-size 8 \
--distance-metric manhattan \
--backup-keep y \
--backup-duplicate y \
--safe-deletion y \
从指定的查询图像中查找近似重复图像
$ deduplication search \
--images_path <target_dir> \
--output_path <output_dir> \
--query <指定的查询图像文件>
例如:
deduplication search \
--images-path datasets/potatoes \
--output-path outputs \
--tree-type KDTree \
--threshold 40 \
--parallel f \
--nearest-neighbors 5 \
--hash-algorithm phash \
--hash-size 8 \
--distance-metric manhattan \
--query datasets/potatoes/2018-12-11-15-031193.png
通过t-SNE显示目标目录中的近似重复图像
$ deduplication show --images_path <target_dir> --output_path <output_dir>
例如:
deduplication show \
--images-path datasets/potatoes \
--output-path outputs \
--parallel y \
--image-w 32 \
--image-h 32
待办事项
- [x] 使用t-SNE来可视化近似重复图像的聚类
- [ ] 参考其他实现获取灵感
- [ ] 试图使用更快的实现,如:平行t-SNE、快速傅立叶变换加速的插值t-SNE、扩展的并行t-SNE和局部敏感哈希
此项目以其高效的搜索机制和安全的删除功能,结合强大的t-SNE可视化,是管理和整理大量图像资源的理想工具。无论你是摄影师、设计师还是数据分析师,这款工具都能帮助你有效地处理重复图像问题。立即尝试,让图像管理变得轻松!
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++020Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0279Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp Cafe Menu项目中link元素的void特性解析5 freeCodeCamp课程视频测验中的Tab键导航问题解析6 freeCodeCamp论坛排行榜项目中的错误日志规范要求7 freeCodeCamp音乐播放器项目中的函数调用问题解析8 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能 STM32到GD32项目移植完全指南:从兼容性到实战技巧 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 OpenSSL 3.3.0资源下载指南:新一代加密库的全面解析与部署教程 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
156
2 K

deepin linux kernel
C
22
6

Ascend Extension for PyTorch
Python
38
72

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
519
50

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
942
555

React Native鸿蒙化仓库
C++
195
279

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
993
396

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
359
12

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
71