高效近似重复图像搜索与删除工具

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原理
• KDTree简介
• 搜索功能
• 删除操作
• 安装说明
• 如何使用Makefile
• 使用方法
  • 从目标目录中删除近似重复图像
  • 指定图像查找近似重复图像
  • 通过t-SNE显示目标目录中的近似重复图像
• 待办事项
• 参考资料

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。
• 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！