Cómo el Hash Perceptual Encuentra Cómics Duplicados Incluso Después de Renombrarlos

Renombraste un archivo. Recomprimiste un archivo comprimido. Descargaste el mismo volumen de una fuente diferente. Por cualquier medida normal, ahora son archivos "diferentes" — tienen diferentes nombres, diferentes checksums, diferentes tamaños.

Sin embargo, el cómic dentro es el mismo. Cada página es la misma. Y si estás intentando limpiar tu biblioteca digital, estos duplicados casi idénticos son exactamente los que se escapan de los buscadores de duplicados estándar.

Este es el problema que resuelve el hash perceptual, y es la técnica en el núcleo de Comic Duplicate Scanner.

Por qué la Comparación de Archivos Estándar se Queda Corta

La mayoría de las herramientas de "búsqueda de archivos duplicados" funcionan calculando un checksum para cada archivo y marcando los archivos que comparten el mismo checksum. Esto funciona perfectamente para copias exactas.

Pero para archivos de cómics, este enfoque pasa por alto los duplicados más comunes del mundo real:

Escenario	¿Mismo checksum?	¿Realmente duplicado?
Copia con nombre diferente	No	Sí
Recomprimido con diferente calidad	No	Sí
Reempaquetado con diferente estructura	No	Probablemente sí
Descargado de dos fuentes diferentes	No	A menudo sí
Copia exacta byte a byte	Sí	Sí

Qué Hace el Hash Perceptual en su Lugar

Un hash perceptual es una huella digital corta calculada a partir del contenido visual de una imagen — no de sus bytes de archivo. El algoritmo analiza la estructura de la imagen: patrones de brillo, información de bordes y distribución de color. Dos imágenes que se ven visualmente idénticas producirán el mismo hash perceptual o uno muy similar, incluso si difieren a nivel de bytes.

El algoritmo más utilizado, pHash, funciona aproximadamente así:

Redimensiona la imagen a un tamaño fijo pequeño (por ejemplo, 32×32 píxeles)
Convierte a escala de grises
Aplica una transformada de coseno discreta (DCT) para extraer componentes de frecuencia
Mantiene la porción de baja frecuencia — esto captura la estructura general
Compara cada valor con la mediana, produciendo una cadena de bits

El hash resultante es típicamente de 64–256 bits. Dos imágenes con contenido visual similar producen hashes con una distancia de Hamming baja.

Dos propiedades importantes se derivan directamente de estos pasos:

La resolución es irrelevante. El paso 1 redimensiona cada imagen a la misma cuadrícula fija antes de calcular nada. Un escaneo de 1200px y uno de 3000px de la misma página se convierten en la misma miniatura de 32×32 y producen el mismo hash.
El modo de color es irrelevante. El paso 2 convierte a escala de grises antes de comparar. Un escaneo a todo color y uno en escala de grises (blanco y negro) de la misma página producen hashes casi idénticos, porque el algoritmo solo analiza la estructura de luminancia, no los valores de color.

Cómo Comic Duplicate Scanner Aplica Esto

Comic Duplicate Scanner aplica el hash perceptual a nivel de archivo:

Extracción — abre cada archivo CBZ o CBR y lee las imágenes internas
Hash de cada página — cada página recibe un hash perceptual
Comparación — construye un índice de similitud y encuentra archivos que comparten un alto porcentaje de páginas coincidentes
Puntuación — asigna una confianza de coincidencia basada en cuántas páginas coinciden y con qué precisión

Esta coincidencia de múltiples páginas es lo que lo hace preciso para cómics específicamente. Una sola página podría producir ocasionalmente un falso positivo. Pero cuando el 90% de las páginas de dos archivos coinciden, la probabilidad de un falso positivo cae casi a cero.

Casos Prácticos

Caso 1: Fuentes diferentes, nombres de archivo diferentes Descargaste HxH_v12_en.cbz de un sitio y Hunter_X_Hunter_Volume_12.cbz de otro. Comparación de checksum: sin coincidencia. Hash perceptual: páginas casi idénticas en todos los capítulos → marcado como duplicado.

Caso 2: Archivo recomprimido Alguien ejecutó un CBZ a través de una herramienta de compresión, reduciendo cada JPEG al 80% de calidad. El tamaño del archivo cambió. Los checksums cambiaron. Hash perceptual: las imágenes son visualmente idénticas a 32×32 → mismos hashes → detectado.

Caso 3: Páginas reordenadas o renombradas internamente Un archivo tiene páginas llamadas 001.jpg, 002.jpg... mientras otro tiene page_001.jpg, page_002.jpg.... Hash perceptual: no mira los nombres de archivo dentro del archivo → aún detectado.

Caso 5: Escaneo en color frente a escaneo en blanco y negro Tienes dos copias del mismo volumen de manga: una es un escaneo en color de una edición digital temprana, la otra es un escaneo en escala de grises de una reedición posterior. Tamaños de archivo diferentes, profundidad de color diferente, apariencia visual diferente. Pero como dHash convierte a escala de grises antes de aplicar el hash, ambas copias se reducen a la misma huella de luminancia → marcadas como duplicados. Este es un caso que casi todos los demás detectores de duplicados pasan por alto.

Los Límites del Hash Perceptual

Las ediciones visuales significativas romperán la coincidencia. Las marcas de agua leves o los recortes menores generalmente no afectan la detección.

Las imágenes de muy baja resolución son poco confiables. Si las imágenes fuente son extremadamente pequeñas, hay menos estructura para comparar.

Manga con arte similar en varios volúmenes. Algunas series reutilizan elementos visuales extensamente. Las coincidencias falsas ocasionales son posibles — la interfaz de revisión te permite verificar miniaturas antes de eliminar.

Usando Comic Duplicate Scanner

Comic Duplicate Scanner es una aplicación Mac nativa:

Escanea árboles de carpetas completos de forma recursiva
Maneja CBZ, CBR y archivos de imagen sueltos
Muestra pares coincidentes lado a lado con miniaturas
Muestra confianza de coincidencia y tamaño de archivo para cada par
Mueve los duplicados seleccionados a la Papelera (no eliminación permanente)

Una vez limpia tu biblioteca, combinarla con BiblioFuse en iPhone te da una fuente única y curada para leer.