Новый проект -- libsimdb, библиотека для поиска визуально похожих изображений
Эта идея периодически всплывала в голове, поскольку минимум раз в год я перебираю свой архив контента. Но, поскольку это именно что "раз в год", реализация неоднократно откладывалась.
Итак, задача -- есть архив с десятками тысяч картинок, надо найти там дубли (в том числе разного размера, качества и формата), оставить наилучшее из группы, остальное удалить.
Надо сказать, что идея не новая, востребованная и кое-где уже реализованная:
- wine + ImageDupeless (древняя вендовая софтина) -- если б оно было под линукс, проблема была бы закрыта. Недостатки: нужен вайн, гуй прибит гвоздями, исходников разумеется нет
- findimagedupes (perl + inline::c) -- честно ищет похожие, но у него просто ебическая скорость обработки, даже с "оптимизацией" через inline::c
- gthumb -- т.н. "поиск дубликатов" сравнивает файлы тупо по md5
- imgseek -- тут уже целый демон со встроенным вебсервером. (потенициально оттуда можно портировать алгоритмы сравнения). Проект похоже мёртв, сайт лежит, код на сорсфорже, последний коммит в 2013м.
Мне хотелось именно чёткое отделение нужного функционала в библиотеку, без лишних зависимостей. А на основе этой библиотеки уже строить инструменты.
Два года назад я таки решил, что так жить дальше нельзя, и взялся за дело сам. Результат выкладываю в открытый доступ, может кому пригодится.
Основной принцип работы -- сравнение битовых карт яркости, с некоторыми оптимизациями.
Теоретически библиотека может обрабатывать до INT_MAX изображений,
но на практике, максимально тестировавшийся объём -- примерно 1.8 миллиона изображений.
Скорость -- приличная, на таком объёме поиск работает за время до 2х секунд,
без учёта времени сэмплирования исходного изображения.
Размер базы -- по 48 байт на запись, для в/у объёма это будет порядка 86,5 Мб.
У библиотеки чисто-сишный интерфейс, работа сделана через opaque handle + набор функций для работы с ним. Записи адресуются по числовому id, поиск выдаёт их же. Что вы будете делать с этими номерами - уже ваша забота.
Все видимые функции и структуры снабжены doxygen'овскими комментами. Утилита писалась в том числе для проверки удобства работы с api. На версии до 0.4 даже не смотрите, там треш и угар в коде, писалось изначально "для себя", в стиле "похер как, лишь бы работало".
Собственно, код:
- сама библиотека
- и простенькая утилита к ней, аналог fdupes
Из планируемого для библиотеки:
- хотелось бы аналог imagedupeless (гуёвое искоробочное решение, на qt без kde)
- поковырять imgseek, там интересные алгоритмы
- возможно стоит добавить сравнение по цветовым картам, это улучшит точность поиска, но раздует базу в 2,5-3 раза
Для утилиты:
- --xdev (не переходить границу фс)
- --links (не следовать по сылкам)
- сохранение результатов между запусками в каком-либо виде. Мой архив с нуля считать очень долго.
- улучшение группировки (не только "первая попавшаяся")
- "настырный поиск" (не исключать уже сгруппированные)
- вывод в машиночитаемом виде (json/yaml/вот это всё)