圖像文件cheksum作爲一個獨特的內容比較優化

Question

用戶正在上傳照片到我們的PHP構建系統。其中一些我們因爲不相關的內容而被標記爲禁止。我正在尋找「自動比較」算法的優化，它正在跳過這些標記爲禁止的照片。每次上傳都需要與許多vorbinden進行比較。

可能的解決方案：

1 /商店禁止文件和比較全部內容 - 工作得很好，但速度很慢。

2 /存儲映像文件校驗和並比較校驗和 - 這是提高速度的想法。

3 /任何速度足夠快並可以比較照片之間相似度的智能算法。但是我沒有任何關於PHP的想法。

什麼是最佳解決方案？

Answer 1

不計算校驗和，計算哈希值！

我曾經創建過一個簡單的應用程序，它必須在我的硬盤上查找重複的圖像。它只會搜索.JPG文件，但對於每個文件，我會計算出前1024個字節的散列值，然後將圖像的寬度，高度和大小追加到它以得到如下字符串：「875234：640：480： 13286「，我將它用作圖像的關鍵字。 事實證明，我沒有看到這個算法有任何錯誤的重複，儘管仍然有錯誤重複的機會。 但是，這種方案將允許有人只是增加一個字節，或對圖像進行非常小的調整時重複。

另一個竅門可能是減少每個圖像的大小和顏色數量。如果將每個圖像的大小調整爲128x128像素，並將顏色數量減少到16（4位），那麼您最終會得到8192個字節的合理獨特模式。計算這個模式的散列值並使用散列作爲主鍵。一旦你點擊了，你可能仍然有誤報，因此你需要比較新圖像的模式和系統中存儲的模式。 如果第一個散列解決方案指示新圖像是唯一的，則可以使用此模式比較。儘管如此，我仍然需要爲自己的工具制定計劃。但它基本上是一種採取圖像指紋，然後比較它們。

我的第一個解決方案將找到完全匹配。我的第二個解決方案會找到類似的圖像（順便說一下，我在Delphi中編寫了我的哈希方法，但從技術上講，任何哈希方法都會足夠好。）

Answer 2

圖像相似性比較並不是一個微不足道的問題，所以除非你真的想投入大量的努力來比較圖像的算法，你的想法創建某種形式的圖像數據的散列和比較，至少會允許您可以快速檢測到確切的重複項。我會按照你現在的計劃去做，但要確保它是一個體面的（但很快）散列，以便碰撞的可能性很低。

Answer 3

哈希的問題，如所建議的，如果某人更改1個像素，哈希變成完全不同。

有很好的框架可以比較文件的內容，並返回（百分比）他們看起來很像。有一個具體的命令行應用程序，我曾經遇到過，它是在科學環境中構建的，它是開源的，但我不記得它的名字。

這種框架絕對可以幫助你，因爲它們可以非常快速，即使有大量的文件。