执行图像的批量判重工作时，您可以选用多种方法，具体取决于对"重复"的定义以及您关注的重复类型（是否允许缩放、旋转或轻微的变化）。
方式一：哈希比对
这种方法非常适合寻找几乎相同或者经过轻微缩放的重复图像。您可以使用像是平均哈希（aHash）、感知哈希（pHash）、差异哈希（dHash）等。
方法二：特征匹配
对于需要在图像中寻找相似部分或者某种程度的图像变化（如旋转、缩放）时，可以采用特征点提取和匹配方法，例如SIFT、SURF或ORB。然而，这种方法比哈希比对更加复杂和计算密集，但提供了更高级的图像匹配能力。
代码示例
import os
from PIL import Image
import imagehash
import cv2class ImageProcess(object):def __init__(self, img_path, _type=None):"""初始化函数type,1: 平均哈希 aHash， 2: pHash 感知哈希 3:差异哈希 dHashimg_path: 图片目录"""self._type = _typeself.img_path = img_pathdef find_duplicates(self):"""哈希对比-对比图片是否相同"""hashes, duplicates = {}, []# 遍历图片目录image_list = [os.path.join(self.img_path, file_name) for file_name in os.listdir(self.img_path) iffile_name.endswith((".png", ".gif", ".jpeg", ".bmp"))]for _image in image_list:img = Image.open(_image)# 计算图像哈希值hash_val = imagehash.average_hash(img) if self._type == 1 else imagehash.phash(img) if self._type == 2 else imagehash.dhash(img)if hash_val in hashes:duplicates.append((_image, hashes[hash_val]))else:hashes[hash_val] = _imagereturn duplicates@staticmethoddef match_images(img1, img2):"""匹配图片"""# 初始化orb检测器orb = cv2.ORB_create()# 提取关键点&描述器kp1, de1 = orb.detectAndCompute(img1, None)kp2, de2 = orb.detectAndCompute(img2, None)# 使用BFMatcher进行匹配bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)matches = bf.match(de1, de2)matches = sorted(matches, key=lambda x: x.distance)# 依赖于定义的标准，这里只返回匹配特征点的数量return len(matches)def find_similar_images(self, some_threshold):"""特征匹配-对比图片是否相同some_threshold: 相似度阈值"""duplicates = []# 加载图片image_list = [os.path.join(self.img_path, file_name) for file_name in os.listdir(self.img_path) iffile_name.endswith((".png", ".gif", ".jpeg", ".bmp"))]images = [(_img, cv2.imread(_img, 0)) for _img in image_list] # 以灰度模式读取图片# 图片两两对比for i in range(len(images)):for j in range(i + 1, len(images)):img1_name, img1 = images[i]img2_name, img2 = images[j]matches = self.match_images(img1, img2)# 假如匹配点超过阈值，则认为图片相似if matches > some_threshold:duplicates.append((img1_name, img2_name, matches))return duplicatesif __name__ == '__main__':img_type = 3_path = "XXX"img_obj = ImageProcess(_path)print(img_obj.find_similar_images(400))
备注：
1: orb.detectAndCompute 是一种特征检测和描述符计算方法，通常用于图像处理和计算机视觉中。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特征检测器和 BRIEF 描述符的方法，它具有旋转不变性和尺度不变性。detectAndCompute 方法结合了特征检测和描述符计算两个步骤，可以在图像中检测出特征点并计算这些特征点的描述符。
具体来说，orb.detectAndCompute(image, mask) 的作用如下：
image 是输入的图像，用于进行特征检测和描述符计算。
mask 是可选参数，用于指定感兴趣区域（ROI），只在这个区域内进行特征检测和描述符计算。
在使用 orb.detectAndCompute 方法时，通常需要先创建一个 ORB 对象，然后调用 detectAndCompute 方法来检测特征点并计算描述符。这个方法常用于图像特征匹配、目标检测、图像拼接等应用中。
2: cv2.ORB_create() 是 OpenCV 中用于创建 ORB 特征检测器对象的函数。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特征检测器和 BRIEF 描述符的特征提取算法，具有旋转不变性和尺度不变性，适用于图像特征匹配、目标检测等任务。
import cv2# 创建 ORB 特征检测器对象
orb = cv2.ORB_create()# 读取输入图像
image = cv2.imread('image.jpg')# 将图像转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用 ORB 对象检测特征点并计算描述符
keypoints, descriptors = orb.detectAndCompute(gray_image, None)# 绘制特征点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)# 显示图像
cv2.imshow('Image with keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()
在上面的示例中，首先使用 cv2.ORB_create() 创建了一个 ORB 特征检测器对象，然后读取输入图像并将其转换为灰度图像。接着使用 ORB 对象的 detectAndCompute() 方法检测图像中的特征点并计算描述符，最后将特征点绘制在图像上并显示出来。
