背景
在一些图像相关的项目中，重复图识别是很重要的。就比如热图排行榜（需要识别出重复图）；涉及图像深度学习的项目（训练数据需要剔除重复图）；图片原创&视频原创（需要识别出重复图）等等。
什么是相同图片
什么是相同图片？相信在不同场景下，这个答案是不一样。有些场景把肉眼看起来一样的图片当作相同图片，有些场景把用滤镜处理过的图片也当作相同图片，而有些场景下只把原图当作相同图片。
这里按照相同程度划分，相同程度从高到低，其实可以分为3个等级：
- 绝对原图
- 肉眼相同
- 抄袭原图
接下来我们逐一详细介绍下这3类。
绝对原图
这个等级，图片相同的程度是最高的，就如下面2张图片，1.png通过直接copy的方式产生的2.png
它们从图片内容已经无法判断是否是原图，只能从文件的角度识别，一般来说都是直接md5判断2个图片，如下所示：
它属于用图片文件进行hash处理。
PS：一般来说，所有场景都会先用md5来过滤一边，因为它算法复杂度很低，根本不用理解图片
肉眼相同
这个等级的场景最多，比如图片训练数据去重，热图排行榜等等。
就如下图所示，1.png经过压缩、resize、转码等图片处理的方式产生的3.jpg：
它们肉眼看起来是相同，但是绝对不是原图，md5无法识别这种情况，只能图像的感知hash处理。感知hash主要有3种（AHash、DHash、PHash、WHash），它们都是用图片内容进行hash处理，只是hash方式不同，下面逐一介绍一波：
AHash
这种感知hash最简单，算法复杂度也最低，它只需要处理2步 预处理 + 二值化。
- 具体流程图如下所示：
它的二值化方式比较简单，只是比较了像素点跟均值，所以效果一般般。 - python源码如下：
def ahash(image, hash_size=8):
image = image.convert("L").resize((hash_size, hash_size), Image.ANTIALIAS)// 1、【预处理】转灰度图，resize
pixels = numpy.asarray(image)
avg = np.mean(pixels)//2、计算均值，这里也可以用中值
diff = pixels > avg // 3、【二值化】大于均值为1，小于等于均值为0
return diff
DHash
这种感知hash的复杂度也很低，重点是它比AHash的效果好，主要原因它二值化方式考虑上了相邻像素的差值，算法更加鲁棒。（当然这只是一种思想，我们也可以比较固定的2个像素点的大小，每个像素点都有一个与之对应的像素点）。
算法流程图如下（跟AHash差不多，差别在于二值化方式不一样）：
- python源码如下：
def dhash(image, hash_size=8):
image = image.convert("L").resize((hash_size + 1, hash_size), Image.ANTIALIAS)// 1、【预处理】转灰度图，resize
pixels = numpy.asarray(image)
diff = pixels[:, 1:] > pixels[:, :-1] //2、【二值化】相邻2个元素对比，右边大于左边为1，右边小于等于左边为0。（也可以改成上下2个元素的对比，或者固定2个元素之间的对比）
return diff
Phash
Phash是目标效果比较好的，它引入了DCT变换，去除图片中的高频信息，把注意力集中在低频信息中，这是由于人眼对于细节信息不是很敏感。具体算法原理见【PHash】更懂人眼的感知哈希。
phash有很多种改版，下面只给出效果最好的一种，它的算法流程图如下：
- python 源码如下：
def phash(image, hash_size=8, highfreq_factor=4):
import scipy.fftpack
img_size = hash_size * highfreq_factor
image = image.convert("L").resize((img_size, img_size), Image.ANTIALIAS)// 1、【预处理】转灰度图，resize
pixels = numpy.asarray(image)
dct = scipy.fftpack.dct(scipy.fftpack.dct(pixels, axis=0), axis=1) //DCT变换
dctlowfreq = dct[:hash_size, :hash_size] //2、只留下直流&&低频变量
med = numpy.median(dctlowfreq) //取中值
diff = dctlowfreq > med //3、【二值化】大于中值为1，小于等于中值为0
return diff
WHash
WHash比PHash效果好一丢丢，但是它的复杂度高一些。它是利用小波变换分离低频、高频信息，从而获取到低频信息的。但是它比Phash优势的一点是它还保存了原本图片的空间信息。
具体算法原理见【WHash】更有空间感的感知哈希。
WHash流程图如下：
下面附上源代码，代码很短，也可以先忽略：
- python源码如下：
def whash(image, hash_size = 8):
#check
assert hash_size & (hash_size-1) == 0, "hash_size is not power of 2"
image_scale = max(2**int(numpy.log2(min(image.size))), hash_size)
ll_max_level = int(numpy.log2(image_scale))
level = int(numpy.log2(hash_size))
assert level <= ll_max_level, "hash_size in a wrong range"
#预处理
image = image.convert("L").resize((image_scale, image_scale), Image.ANTIALIAS)
pixels = numpy.asarray(image) / 255.
# 小波变换，haar
coeffs = pywt.wavedec2(pixels, 'haar', level = ll_max_level)
# 去掉最低频
coeffs[0] *= 0
# 小波逆变换
dwt_low = pywt.waverec2(coeffs[:level+1], 'haar')
#二值化，中值
med = numpy.median(dwt_low)
diff = dwt_low > med
return diff
抄袭原图
这种场景也挺多的，而且其中每个场景都有自己独特的要求。就比如一个视频平台，它的视频原创项目，把加滤镜、换音频、裁剪等方式也判定为相同图片的话，感知hash已经不适用，必须用上图像深度学习了。
一般来说也不需要很强的模型，但是必须针对性的训练特定场景，就比如滤镜，logo，黑边等场景。
滤镜就如下图所示，1.png经过一个滤镜产生了4.png：
还有一种场景是游戏领域的视频去重，由于游戏背景都一样，只有小小的一块人物或者名字不同，也是需要针对性的加数据训练的。
这里的话，深度学习 MoCo 可能会合适一些。
总结
重复图在图像相关的项目中基本都会用到，不同的场景用不同的算法。
| 复杂度 | 适用场景 | |
|---|---|---|
| MD5 | 超级低 | 绝对原图 |
| 感知Hash | 低 | 肉眼相同 |
| 深度学习 | 高 | 特定场景相同 |
