Python图片去重归类应优先用pHash实现快速鲁棒比对，再依规模升级至ResNet/CLIP特征嵌入与余弦相似度聚类，结合EXIF规则（时间＞设备＞场景标签）自动构建多级目录，并通过流式处理、质量过滤和报告生成保障工程稳定性。
要实现Python自动检测图片重复内容并归类整理，核心不是“逐像素比对”，而是用感知哈希（pHash）或特征向量（如CLIP、ResNet提取的嵌入）来衡量视觉相似性。关键在“快、准、可扩展”——小规模用pHash足够，中大规模建议结合局部敏感哈希（LSH）或FAISS加速检索。
1. 图片去重：用pHash快速筛出高度相似图
pHash对缩放、轻微裁剪、亮度调整鲁棒，适合日常去重。流程是：读图 → 灰度化 → 缩放至8×8 → DCT变换 → 取低频 → 生成64位二进制指纹 → 计算汉明距离（≤5通常视为重复）。
- 用imagehash库一行生成hash：
hash = imagehash.phash(Image.open(path)) - 遍历所有图，存{path: hash}字典；两两比对太慢，改用分桶：把hash按前4位分组，只在同桶内比对
- 发现重复时，保留原始尺寸大、文件名更规范（如含日期）、或修改时间早的那张作为主图
2. 相似图聚类：用特征嵌入+余弦相似度分组
当需识别“同一场景不同角度”“同人不同穿搭”等语义重复时，pHash失效，应提取深度特征。推荐用torchvision.models.resnet18(pretrained=True)去掉最后层，提取512维特征向量。
- 批量预处理图片（统一尺寸、归一化），送入模型得embedding矩阵
- 用sklearn.metrics.pairwise.cosine_similarity算相似度矩阵
- 设定阈值（如0.85），构建相似图，再用networkx.connected_components或DBSCAN聚类
- 每组输出一个文件夹，命名可含关键词（如“办公室_多人_窗边”），靠CLIP零样本分类辅助打标
3. 自动归类逻辑：规则+轻量模型协同判断
纯靠相似度聚类不够智能，需叠加业务规则提升可用性。例如：优先按拍摄设备（EXIF中的Model字段）、按时间（取创建/修改时间戳，按天/月建文件夹）、按宽高比（横图/竖图/方图分三类）。
立即学习“Python免费学习笔记（深入）”；
- 用PIL.Image.open().size和exifread或piexif读元数据
- 定义规则优先级：时间 > 设备 > 场景标签（CLIP预测top3类别） > 相似簇ID
- 最终路径形如：
./2024-06/iphone14/风景/cluster_07/，支持手动覆盖规则（如加.ignore标记跳过某图）
4. 工程细节：避免踩坑的关键点
脚本易写，稳定难保。常见断点：内存爆满（千张图加载embedding占数GB）、中文路径报错、EXIF丢失、小图误判为重复。
- 用generator + batch流式处理图片，别一次性load全部；embedding存npy或faiss索引，不放内存
- 路径统一用pathlib.Path，编码显式设utf-8，Windows下禁用长路径需提前配置
- 加质量过滤：PIL打开失败、尺寸＜200×200、平均亮度＞245（过曝白图）直接跳过
- 输出report.json记录每张图的hash、embedding norm、相似组、归属路径，方便人工复核
基本上就这些。不复杂但容易忽略细节——先跑通pHash版，再按需升级特征模型，比一上来堆大模型更实际。
