共计 3055 个字符，预计需要花费 8 分钟才能阅读完成。
相似性图像检测，是模型训练过程中常呈现的问题，本文介绍了 4 个罕用的哈希算法，并通过 Colab 代码，展现了残缺的训练过程。
新晋炼丹师小王最近遇到了一个难题，愁的头发掉了好几根儿。
一问才晓得，原来是他徒弟给他调配了一个深度学习模型训练的工作，然而训练模型的图像数据集，稍微有那么一丝丝简单：
里边除了已有的公开数据集外，还蕴含一些从 Google、Bing 等网站上爬取的图像。
反复图像的存在，使得模型性能变得非常不牢靠，毕竟：
- 反复图像将 bias 引入数据集，使得深度学习模型不得不学习反复图像的特定模式；
- 特定的学习模式，会使得深度学习模型概括新图像的能力降落。
手动删除反复图像，相对不是最优解，起因是数据集中的图像数量动辄成千盈百万，手动检查和删除会是一个非（丧）常（心）繁（病）琐（狂）的过程，将会消耗大量工夫。
哈希算法成为小王最先想到的解决方案。
图像相似性检索，「哈希」一下
哈希算法是解决图像相似性检索的「魔法工具」，它能够对任意一组输出数据进行计算，失去一个固定长度的输入摘要（字符串）。
比拟输入摘要，后果越靠近，就阐明图像越类似。
哈希算法具备以下特点：
- 雷同的输出肯定失去雷同的输入；
- 不同的输出大概率失去不同的输入；
留神: 哪怕两张输出图像之间，只有一个字节之差，输入的哈希值也可能天差地别。
ImageHash Python 库中， 罕用的哈希算法包含 aHash、pHash、dHash 及 wHash。
Average Hash (aHash)： 均值哈希算法，将图像切割成 8×8 的灰度图像，并根据像素值是否大于图像所有色彩的平均值，来设置哈希值中的 64 位。
aHash 计算速度快，不受图像尺寸大小影响，但对均值敏感，例如对图像进行伽马校对或直方图平衡会影响均值，从而导致报率，准确度无奈保障。
aHash 图像处理成果展现
Perceptual Hash (pHash)： 感知哈希算法，与 aHash 相似，区别是 pHash 不依赖 average color，而是依赖离散余弦变换 (DCT)，并根据频率 (frequency) 而非色彩值 (color value) 进行比拟。
pHash 能防止伽马校对或色彩直方图被调整带来的影响，它准确率高、误报少，但计算速度比较慢。
pHash 图像处理成果展现
Difference Hash (dHash)： 差别值哈希算法与 aHash 原理相似，只是不应用均匀色彩值的信息，而是应用梯度（相邻像素的差别）。
dHash 算法运行速度与 aHash 相当，但误报率非常低。
dHash 图像处理成果展现
Wavelet Hash (wHash)： 小波哈希算法，与 pHash 十分类似，然而 wHash 应用的是离散小波变换 (discrete wavelet transformation)，而非 DCT。
wHash 比 pHash 更迅速，更精确，误报更少。
wHash 图像处理成果展现
不同哈希算法成果比照详见：TESTING DIFFERENT IMAGE HASH FUNCTIONS
善用轮子：用现成模块进行类似图像检测
作为一名合格的工程师，防止反复造轮子、进步开发效率，是小王一贯的谋求。
通过搜寻查找， 小王发现了 Jina Hub 的 ImageHasher Executor。
查阅相干文档后小王发现，Executor 对应神经搜寻零碎中的不同模块，实现数据处理的外围性能，能够间接应用。
Flow 则对应整套神经搜寻零碎，它将多个 Executor 连接起来，构建成一套残缺的搜寻零碎，轻松实现类似图像检测。
间接上代码：
!gdown --id 1wPg_Yx2ydcgsDA3BYO-Lw8ym5vjT0oQ3
!unzip data.zip -d images! mkdir index
! mv images/*1.* index/! mkdir query
!mv images/*.* query/!pip install jina imagehash创立一个索引 Document 的 Flow：
from jina import Flow
from docarray import Document, DocumentArray
import matplotlib.pyplot as plt!rm -rf workspace蕴含图像的 Document 将被编码成哈希值，接下来能够应用上述 4 种哈希算法中的任何一种，并用 SimpleIndexer 进行存储：
# Creating a DocumentArray object
docs_index = DocumentArray.from_files('index/*')
docs_index = [doc.load_uri_to_image_tensor() for doc in docs_index]
# Creating the indexing flow with ImageHasher and SimpleIndexer
flow = (Flow()
.add(uses='jinahub://ImageHasher/v0.2', uses_metas={'hash_type': 'dhash'})
.add(
uses='jinahub://SimpleIndexer',
uses_metas={'workspace': 'workspace'},
uses_with={'match_args': {'limit': 1, 'metric': 'euclidean', 'use_scipy': True}
},
)
)
# Indexing the Documents using the flow
with flow:
flow.post(on='/index', inputs=docs_index)def print_matches(resp):
for idx, doc in enumerate(resp.docs):
print('-'*50)
print(f'Query {idx + 1}')
plt.imshow(doc.tensor)
plt.show()
for match in doc.matches:
print('Matching query -->')
plt.imshow(match.tensor)
plt.show()查问任何一个新的 Document，并在索引数据中找到匹配的 Document：
docs_query = DocumentArray.from_files('query/*')
docs_query = [doc.load_uri_to_image_tensor() for doc in docs_query]
# Using the same flow to find matches
# Opening the flow for incoming queries
with flow:
flow.post(
on='/search',
inputs=docs_query,
on_done=print_matches,
)整个过程跑下来，一起来看看小王的类似图像检测后果吧！
即便图像只是像素、滤镜或尺寸不同，也能够利用哈希算法检测进去
炼丹师小王利用 Jina Hub ImageHasher Executor，终于解决了数据集中的类似图像问题，并将代码都放到了 Colab 上，参加更多深度学习、哈希算法相干探讨→找到组织。
热心小王期待大家的退出！
参考文献：
Imagehashing–Find duplicates 残缺 Colab
ImageHasher Executor
廖雪峰的官方网站 – 哈希算法
类似图像检测办法
Testing different image hash functions
An image hashing library written in Python
