如何处理亿级图片排重（精准排重，相似排重）

图片相似度对比

1、需求

假如有一个图片池，存有1亿图片。给一张目标图片，在图片池中做匹配。

• 判断一张图片是否在图片池中出现过。（完全一样）
• 判断有没有相似的出现过。比如两张图相似度90，两张图片是在描述一件事情。

2、需求实现方案

对于以上需求，实现思路是：将图片转成向量，存放在ES中，去做以图搜图。但是在ES中的实现以图搜图，是用KNN实现的。KNN总会返回topN结果，在图片池中，哪怕真的不存在与目标一致的图片，但是仍然会返回与之最相似的图片。

想要使用ES实现需求1很容易。因为完全相同的图片，返回的相关性分数为1。但是在搜索目标不存在的情况下，返回的结果，和给出的相关性分数，很可能和目标完全不相关，但是相似度还是大于85%。我们无法判断，是否召回结果和目标真的是相似的。所以针对需求2，对召回的结果，假如分数不为1，应该再判断一次，召回的最相关的图片，是否是和目标图片真的相似。

针对需求2，应该再使用其它的图片相似性算法，做一次校验。根据调研和测试，使用openCV，使用直方图对比方法，可以有不错的效果。根据测试效果，在以下案例中，我们可以设置相关性大于85%，来区分图片是否相似。（需要测试更多的案例，来验证最佳相似度阈值阈值）

3、ES向量检索中的问题反例

es召回效果反例：

1.以下图为搜索目标图片

2.召回的结果取top3

其中以上三张图是召回的结果，图片排序即ES召回相关性排序后的结果。假如前两张结果在图片池中不存在，召回第三张，是有问题的，不能拿来做排重。

3.以上三张图片在es中给出的分数如下：

从es给的相关性分数中，第一张图得分为1，可以用来判断完全一致没有问题。第二张图片和第三张图片，分数很相近，但是第三张图和第一张图实际的相关性并不好。假如我们想通过相关性排除第三张图，仅仅通过es返回的相关性分时，并不合适。

1. 使用openCV测试对比两张图片的效果

针对需求2，使用ES不能满足。可以通过使用openCV，对召回的第一条结果，在分数不为1的情况下，重新做一次比对。

openCV 通过两张图片直方图的比对，得出的相关性分数，比较靠谱。至少看起来是我们想要的效果。

案例1

两张图，虽然不是一个人，但是它们都是在描述一件事情。按说应该是在描述一件事情。我们认为这两张图是相似的，相似度90以上。

openCV 计算的相关性分数

均方差（MSE）: 131.44561624837127

结构相似性指数（SSIM）: 5.7201094656E10

峰值信噪比（PSNR）: 26.943342540382247

图片相似度(直方图): 0.8858558728156901

案例2

两张图，来源于同一个视频，不同的帧。 直观上判断，这两个是同一个事情。相似度大于95。

均方差（MSE）: 123.0275316249348

结构相似性指数（SSIM）: 1.909637632E9

峰值信噪比（PSNR）: 27.230780502837018

图片相似度(直方图): 0.9565945992942751

案例3

虽然都是马斯克。但是这是在描述两件不同的事情。相似度应该较低。

 

均方差（MSE）: 209.28278961867477

结构相似性指数（SSIM）: 5.423145472E9

峰值信噪比（PSNR）: 24.923468452906206

图片相似度(直方图): 0.34953414682303025

案例4

其中以下两张图，第二张图片可以使用openCV重新做比对。在es中给出相关性是85%。openCV对比的相似性为77%，可以通过设置相似度85%阈值，排除错误结果。

均方差（MSE）: 185.4257086381148

结构相似性指数（SSIM）: 2.40297230336E11

峰值信噪比（PSNR）: 25.449104134454515

图片相似度(直方图): 0.7713211102457774

ES使用 es 8.8的KNN向量检索。

 其中openCV对比两张图相似度代码

使用openCV比对任意两张图片的相似度（亲测较准确）_水的精神的博客-CSDN博客