【深度学习】训练集图片去重

32 篇文章 3 订阅
11 篇文章 5 订阅


几个数据集拼起来,不可避免的会遇到数据集重复的问题,以前就用过这个库,后来丢了,现在记录一下。
git仓库: https://github.com/idealo/imagededup.git

1.安装:

方法1:

git clone https://github.com/idealo/imagededup.git
cd imagededup
pip install "cython>=0.29"
python setup.py install

方法2:

pip install imagededup

2.使用

注释写的很清楚,是递归目录删除重复的图片的,先扫描目录,在计算相似度,再删除。 提取特征有很多种方法。具体看下git的readme

from imagededup.methods import PHash
import os
import sys  # 导入sys模块

from os.path import isdir, abspath, getsize, join
from os import listdir, system

sys.setrecursionlimit(30000)  # 将默认的递归深度修改为3000


def append_filename(path):
    contents = listdir(abspath(path))
    for content in contents:
        content = join(path, content)
        if isdir(content):
            append_filename(abspath(content))
        else:
            filenames.append(abspath(content))
    return filenames


def del_zero_kb_file(path):
    contents = listdir(abspath(path))
    for content in contents:
        content = join(path, content)
        if isdir(content):
            append_filename(abspath(content))
        else:
            filenames.append(abspath(content))

    for filename in filenames:
        if getsize(filename) == 0:
            system('del %s' % filename)
            print("[-] Deleting %s ..." % filename)


filenames = []
if __name__ == '__main__':
    phasher = PHash()
    # 需要去重的文件目录
    image_dir = r'C:\Users\jianming_ge\Downloads\Google-Image-Scraper-master\google_img'
    # step1 前置检测 将像素大小为0的文件删掉
    del_zero_kb_file(image_dir)
    # step2 执行查重
    image_dir_sub = os.listdir(image_dir)
    total_encodings = {}
    for sub_dir in image_dir_sub:
        full_tmp_dir = os.path.join(image_dir, sub_dir)
        print(full_tmp_dir)
        encodings = phasher.encode_images(full_tmp_dir)
        total_encodings.update(encodings)
    duplicates = phasher.find_duplicates(encoding_map=total_encodings)
    for k, v in duplicates.items():
        image_dir_sub = os.listdir(image_dir)
        if len(v) > 0:
            for sub_dir in image_dir_sub:
                # step3执行删除
                for file in v:
                    file_name_with_full_path = os.path.join(image_dir, sub_dir, file)
                    if os.path.exists(file_name_with_full_path):
                        os.remove(file_name_with_full_path)
                        print(file + " del ok")

如果是一层的,也可以这样用

from imagededup.methods import PHash
import os
import sys  # 导入sys模块

from os.path import isdir, abspath, getsize, join
from os import listdir, system

sys.setrecursionlimit(30000)  # 将默认的递归深度修改为3000


def append_filename(path):
    contents = listdir(abspath(path))
    for content in contents:
        content = join(path, content)
        if isdir(content):
            append_filename(abspath(content))
        else:
            filenames.append(abspath(content))
    return filenames


def del_zero_kb_file(path):
    contents = listdir(abspath(path))
    for content in contents:
        content = join(path, content)
        if isdir(content):
            append_filename(abspath(content))
        else:
            filenames.append(abspath(content))

    for filename in filenames:
        if getsize(filename) == 0:
            system('del %s' % filename)
            print("[-] Deleting %s ..." % filename)


filenames = []
if __name__ == '__main__':
    phasher = PHash()
    # 需要去重的文件目录
    image_dir = r'./imgs'
    # step1 前置检测 将像素大小为0的文件删掉
    del_zero_kb_file(image_dir)
    # step2 执行查重
    total_encodings = {}

    encodings = phasher.encode_images(image_dir)
    total_encodings.update(encodings)
    duplicates = phasher.find_duplicates(encoding_map=total_encodings,max_distance_threshold=5)
    for k, v in duplicates.items():
        if len(v) > 0:
            # step3执行删除
            for file in v:
                file_name_with_full_path = os.path.join(image_dir, file)
                if os.path.exists(file_name_with_full_path):
                    os.remove(file_name_with_full_path)
                    print(file + " del ok")

max_distance_threshold=5 是个很有用的参数,是阈值。

  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 图片去重是一个比较常见的任务,可以使用哈希算法实现。具体步骤如下: 1. 将所有图片的像素值转换成一个固定长度的字符串表示。可以使用感知哈希算法(Perceptual Hash,简称pHash),它可以将不同分辨率、不同大小、不同格式的图片转换为固定长度的字符串表示。 2. 将所有字符串进行比较,如果两个字符串相似度高于某个阈值,则认为这两个图片是相似的,只保留其中一个图片即可。 下面是使用Python实现基于pHash算法的图片去重的代码示例: ```python import os import imagehash from PIL import Image # 计算图片的pHash值 def get_image_phash(image_path): with Image.open(image_path) as im: phash = imagehash.phash(im) return phash # 判断两个图片是否相似 def is_image_similar(image_path1, image_path2, threshold=5): phash1 = get_image_phash(image_path1) phash2 = get_image_phash(image_path2) hamming_distance = phash1 - phash2 return hamming_distance <= threshold # 基于pHash算法的图片去重 def deduplicate_images(image_dir, threshold=5): image_paths = [os.path.join(image_dir, filename) for filename in os.listdir(image_dir)] for i, path1 in enumerate(image_paths): for j, path2 in enumerate(image_paths[i+1:], i+1): if is_image_similar(path1, path2, threshold): print(f"Remove {path2}") os.remove(path2) # 测试 if __name__ == '__main__': image_dir = "/path/to/image/dir" deduplicate_images(image_dir, threshold=5) ``` 代码中使用了`imagehash`库来计算图片的pHash值,`PIL`库来打开图片文件。函数`is_image_similar`用于判断两个图片是否相似,函数`deduplicate_images`则遍历指定目录下的所有图片,如果有相似的图片则删除其中一个。 ### 回答2: Python图片去重是指通过某种算法或方法,从给定的图片集合中找出相似或重复的图片,并进行去除操作,以减少存储空间或提高查找效率。 实现图片去重可以分为以下步骤: 1. 加载图片:使用Python的图像处理库(如Pillow)或使用第三方库(如OpenCV)加载图片,将其转换为计算机能够处理的数据格式。 2. 特征提取:对图片进行特征提取,以便后续对比和识别。常用的特征提取方法有哈希算法(如MD5、SHA1)、感知哈希算法(Perceptual Hashing)、局部二值模式(Local Binary Patterns)等。 3. 相似度计算:根据提取的特征,计算图片之间的相似度。可以使用相似度度量算法(如余弦相似度、汉明距离、欧式距离)来衡量图片之间的相似程度。 4. 去重操作:根据设定的相似度阈值,将相似度高于阈值的图片进行去重操作。可以选择保留第一张出现的图片,或根据自定义策略选择其他图片进行保留或删除。 5. 保存结果:将去重后的图片保存到指定的路径或数据库中,以备后续使用。 需要注意的是,图片去重是一个计算密集型的任务,处理大量图片可能需要较长的时间和较高的计算资源。 除了以上方法,还可以借助深度学习技术中的卷积神经网络(Convolutional Neural Network, CNN)进行图片相似度计算和去重。通过对训练好的CNN模型进行特征提取和比对,可以得到更精确的相似度结果,进而进行去重操作。 总之,Python提供了各种图像处理库和算法,可以灵活地实现图片去重功能。根据实际需求和资源限制,选择合适的方法和工具,可以高效地完成图片去重任务。 ### 回答3: 要实现Python图片去重,可以按照以下步骤进行: 1. 导入所需的Python库。首先,我们需要导入PIL库(Python Imaging Library)来处理图片。可以使用以下代码导入PIL库: ```python from PIL import Image ``` 2. 获取图片的哈希值。哈希值是一个对文件进行唯一标识的字符串。我们可以使用PIL库的`Image`模块来打开图片,并使用`hash`方法获取哈希值。例如,我们可以使用以下代码获取一张图片的哈希值: ```python image = Image.open('image.jpg') image_hash = image.hash() ``` 3. 对比图片的哈希值。现在,我们可以将所有的图片哈希值存储在一个列表中,并使用循环来对比它们。如果两个哈希值相同,那么两个图片就是相同的。我们可以使用以下代码进行对比: ```python duplicated_images = [] for image_path in image_paths: image = Image.open(image_path) image_hash = image.hash() if image_hash in duplicated_images: # 说明图片重复了 print(f'{image_path} 是重复的图片') else: duplicated_images.append(image_hash) ``` 4. 删除重复的图片。最后一步是删除重复的图片。对于每一对重复的图片,我们可以使用`os`模块的`remove`函数来删除其中一个图片。例如: ```python import os os.remove('duplicate_image.jpg') ``` 综上所述,以上是使用Python进行图片去重的基本步骤。当然,具体的实现方式还可以根据实际需要进行调整和扩展。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值