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
相关项目推荐
ERNIE-4.5-VL-424B-A47B-Paddle
ERNIE-4.5-VL-424B-A47B 是百度推出的多模态MoE大模型,支持文本与视觉理解,总参数量424B,激活参数量47B。基于异构混合专家架构,融合跨模态预训练与高效推理优化,具备强大的图文生成、推理和问答能力。适用于复杂多模态任务场景。00pangu-pro-moe
盘古 Pro MoE (72B-A16B):昇腾原生的分组混合专家模型014kornia
🐍 空间人工智能的几何计算机视觉库Python00GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。00
热门内容推荐
1 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析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英语课程视频测验选项与提示不匹配问题分析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 6 freeCodeCamp博客页面工作坊中的断言方法优化建议7 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析8 freeCodeCamp论坛排行榜项目中的错误日志规范要求9 freeCodeCamp课程页面空白问题的技术分析与解决方案10 freeCodeCamp课程视频测验中的Tab键导航问题解析
最新内容推荐
Rodio音频库中的音量控制优化探讨 TwitchDropsMiner项目中的频道观看错误分析与解决方案 Cocotb项目中Verilator模拟器下定时回调移除导致段错误的分析与解决 在invoice2data项目中处理亚马逊发票日期格式的实践 MediaPipe LLM模型在Android设备上的性能评估方法 OpenTelemetry Python项目中测试类命名的优化实践 Ebook-Translator-Calibre-Plugin并发任务限制解析 Pygments项目新增GoogleSQL/ZetaSQL语法高亮支持 Azure Functions Host项目中的.NET 8迁移问题解析与解决方案 剖析rapidsai/cugraph中单GPU模板实例化的断言错误问题
项目优选
收起

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
51
14

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
289
813

React Native鸿蒙化仓库
C++
110
194

🎉 (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
483
387

openGauss kernel ~ openGauss is an open source relational database management system
C++
58
139

基于仓颉编程语言构建的 LLM Agent 开发框架,其主要特点包括:Agent DSL、支持 MCP 协议,支持模块化调用,支持任务智能规划。
Cangjie
577
41

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
96
250

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
356
280

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
364
37

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
688
86