建立图片哈希值函数

import numpy as np

import cv2

import os

def dhash(image, hashSize=8):

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

resized = cv2.resize(gray, (hashSize + 1, hashSize))

diff = resized[:, 1:] > resized[:, :-1]

return sum([2 ** i for (i, v) in enumerate(diff.flatten()) if v])

本函数的主要目的是计算每个图片的哈希值

首先我们使用cv2.cvtColor函数把图片从RGB空间转换为灰度照片（便于计算）

然后使用cv2.resize函数把图片缩小（这里的操作也是为了快速计算）

diff = resized[:, 1:] > resized[:, :-1]来计算相邻列像素之间的相对水平梯度

最后返回图片的哈希值

加载图片，计算图片哈希值

hashes = {}

imagePaths=[]

for root, dirs, files in os.walk("dataset"):

for file in files:

imagePaths.append(os.path.join(root, file))

for imagePath in imagePaths:

image = cv2.imread(imagePath)

h = dhash(image)

path = hashes.get(h, [])

path.append(imagePath)

hashes[h] = path

我们新建2个初识变量，一个来保存图片路径，一个来保存图片路径以及图片哈希值的字典

首先使用os.walk("dataset")函数来获取dataset目录下的所有图片

使用for循环来获取所有图片的路径（绝对路径）

使用for循环遍历所有的图片

image = cv2.imread(imagePath)来读取图片

然后使用h = dhash(image)函数来获取图片的哈希值

使用图片哈希值作为key，图片路径作为value,来保存所有图片的哈希值与图片路径

由于字典不会存在2个相同的key，所以，当图片的哈希值相等时，我们把路径都赋值给同一个key值

遍历字典，获取相同图片

for (h, hashedPaths) in hashes.items():

if len(hashedPaths) > 1:

print("same num:", len(hashedPaths))

if -1 <= 0:

same = None

for p in hashedPaths:

image = cv2.imread(p)

image = cv2.resize(image, (150, 150))

if same is None:

same = images

else:

same = np.hstack([montage, image])

cv2.imshow("same", same)

cv2.waitKey(0)

else:

for path in hashedPaths[1:]:

os.remove(path)

我们遍历字典，当某个key值下面对应的图片路径有2个或者2个以上时，这证明存在相识图片

当检测到相识图片时，就可以直接执行

for path in hashedPaths[1:]:

os.remove(path)

函数来进行图片的删除工作，这里我们保留了第一张图片，其他相同图片删除

很多时候，我们想看看相识图片的数量以及其他信息

这里我们打印了相识图片的数量，最后把相识的图片显示出来