小编You*_*cef的帖子

我正在使用感知哈希技术来查找接近重复和完全重复的图像。该代码非常适合查找完全相同的重复图像。然而，找到近似重复和略有修改的图像似乎很困难。由于它们的哈希值之间的差异分数通常类似于完全不同的随机图像的哈希差异。

为了解决这个问题，我尝试将几乎重复的图像的像素化减少到 50x50 像素，并使它们变成黑/白，但我仍然没有我需要的东西（分数差异很小）。

这是几乎重复的图像对的示例：

图片 1 (a1.jpg)：

图片 2 (b1.jpg)：

这些图像的哈希分数之间的差异是：24

当像素化（50x50 像素）时，它们看起来像这样：

rs_a1.jpg

rs_b1.jpg

像素化图像的哈希差异分数甚至更大！：26

下面是@ann zen 要求的两个近似重复图像对的示例：

对 1

对 2

我用来减小图像大小的代码是这样的：

from PIL import Image    
with Image.open(image_path) as image:
            reduced_image = image.resize((50, 50)).convert('RGB').convert("1")

以及比较两个图像哈希的代码：

from PIL import Image
import imagehash        
with Image.open(image1_path) as img1:
            hashing1 =  imagehash.phash(img1)
with Image.open(image2_path) as img2:
            hashing2 =  imagehash.phash(img2)           
print('difference :  ', hashing1-hashing2)

我正在运行python代码来检查Quora和Twitter用户个人资料照片的相似性，但是当图像相同时我没有得到正面的结果。

这是用于比较两个图像的代码：

path_photo_quora= "/home/yousuf/Desktop/quora_photo.jpg"
path_photo_twitter="/home/yousuf/Desktop/twitter_photo.jpeg"
if open(path_photo_quora,"rb").read() == open(path_photo_twitter,"rb").read():
     print('photos profile are identical')

尽管图像相同，但控制台未打印“照片配置文件相同”，我该怎么办？

我正在使用 Hugging-face 管道进行情绪分析任务，它为我提供积极/消极情绪以及置信度得分。就我而言，我需要三个输出（正/中性/负）。问题是，即使是中性句子（例如：“他有她有”），拥抱脸也会给我很高的置信度分数？有什么建议么？

from transformers import pipeline
model = pipeline(task = 'sentiment-analysis')
sentence = 'some text to evaluate'
predicted = model(sentence)
print(predicted)

以下是一些输出示例：

----------------------------------------------
sentence = 'I love you'
predicted = model(sentence)
predicted
[{'label': 'POSITIVE', 'score': 0.9998656511306763}]
----------------------------------------------
sentence = 'I hate you'
predicted = model(sentence)
predicted
[{'label': 'NEGATIVE', 'score': 0.9991129040718079}]
----------------------------------------------
sentence = 'I have she had'
predicted = model(sentence)
predicted
[{'label': 'POSITIVE', 'score': 0.9821817874908447}]
----------------------------------------------
sentence = 'I go to work'
predicted = model(sentence)
predicted
[{'label': 'POSITIVE', 'score': …