python - 检查是否有与输入图像完全相同的图像

Question

我想知道如何在海量数据中查找图像(文件夹中有很多图像)并且我想查找完全正确的图像与输入图像相同(给定来自不在数据文件夹中的另一个文件夹的输入图像)并将输入图像与所有海量数据进行比较，如果发现完全相同的图像，则将其名称显示为输出(文件夹中的相同图像，不输入名称)(例如:dafs.jpg)

使用Python

我正在考虑比较 RGB 像素的精确值并从文件夹中的每个图像中减去输入图像的像素

但我不知道如何在 python 中做到这一点

Answer 1

比较 RGB 像素值

您可以使用pillow模块来访问特定图像的像素数据。请记住，pillow 支持 these image formats .

如果我们根据您的描述对两个图像相同的含义做出一些假设，则两个图像必须:

• 具有相同的尺寸(高度和宽度)
• 具有相同的 RGB 像素值(输入图像中像素 [x, y] 的 RGB 值必须与输出图像中像素 [x, y] 的 RGB 值相同)
• 方向相同(与之前的假设相关，图像被认为与旋转 90 度的同一图像不同)

那么如果我们有 2 个使用 pillow 模块的图像

from PIL import Image

original = Image.open("input.jpg")
possible_duplicate = Image.open("output.jpg")

以下代码将能够比较两个图像以查看它们是否相同

def compare_images(input_image, output_image):
  # compare image dimensions (assumption 1)
  if input_image.size != output_image.size:
    return False

  rows, cols = input_image.size

  # compare image pixels (assumption 2 and 3)
  for row in range(rows):
    for col in range(cols):
      input_pixel = input_image.getpixel((row, col))
      output_pixel = output_image.getpixel((row, col))
      if input_pixel != output_pixel:
        return False

  return True

通过调用

compare_images(original, possible_duplicate)

使用这个函数，我们可以浏览一组图像

from PIL import Image

def find_duplicate_image(input_image, output_images):
  # only open the input image once
  input_image = Image.open(input_image)

  for image in output_images:
    if compare_images(input_image, Image.open(image)):
      return image

把它们放在一起，我们可以简单地调用

original = "input.jpg"
possible_duplicates = ["output.jpg", "output2.jpg", ...]

duplicate = find_duplicate_image(original, possible_duplicates)

请注意，上述实现只会找到第一个重复项，然后将其返回。如果没有找到重复项，将返回 None。

需要记住的一件事是，对每个像素进行这样的比较可能成本高昂。我用过this image并使用 timeit 将此作为输入和输出运行 compare_images 100 次模块，并取所有这些运行的平均值

num_trials = 100
trials = timeit.repeat(
    repeat=num_trials,
    number=1,
    stmt="compare_images(Image.open('input.jpg'), Image.open('input.jpg'))",
    setup="from __main__ import compare_images; from PIL import Image"
)
avg = sum(trials) / num_trials

print("Average time taken per comparison was:", avg, "seconds")

# Average time taken per comparison was 1.3337286046380177 seconds

请注意，这是在只有 600 x 600 像素的图像上完成的。如果您使用一组可能重复的“大量”图像执行此操作，其中“大量”是指至少 100 万张类似尺寸的图像，这可能需要大约 15 天(1,000,000 * 1.28 秒/60 秒/60 分钟)/24 小时)检查每个输出图像并将其与输入进行比较，这并不理想。

另请记住，这些指标会根据您使用的计算机和操作系统的不同而有所不同。我提供的数字更多的是用于说明目的。

替代实现

虽然我自己还没有完全探索这个实现，但您可以尝试的一种方法是使用 hash function 预先计算集合中每个图像的像素数据的哈希值。 。如果您将这些存储在数据库中，每个散列都包含原始图像或图像名称的链接，那么您所要做的就是使用相同的散列函数计算输入图像的散列，然后比较散列。这将节省大量的计算时间，并且会产生更高效的算法。

This blog post描述了执行此操作的一种实现。

更新 - 2018-08-06

根据OP的请求，如果您获得了可能重复图像的目录，而不是显式图像路径本身，那么您可以使用os和ntpath像这样的模块

import ntpath
import os

def get_all_images(directory):
  image_paths = []

  for filename in os.listdir(directory):
    # to be as careful as possible, you might check to make sure that
    # the file is in fact an image, for instance using
    # filename.endswith(".jpg") to check for .jpg files for instance
    image_paths.append("{}/{}".format(directory, filename))

  return image_paths

def get_filename(path):
  return ntpath.basename(path)

使用这些函数，更新后的程序可能如下所示

possible_duplicates = get_all_images("/path/to/images")
duplicate_path = find_duplicate_image("/path/to/input.jpg", possible_duplicates)
if duplicate_path:
  print(get_filename(duplicate_path))

如果存在重复，上面只会打印重复图像的名称，否则，不会打印任何内容。