感知哈希如何找到重命名后的重复漫画

你重命名了一个文件。重新压缩了一个压缩包。从不同来源下载了同一卷。按照一般标准，这些现在是"不同"的文件——不同的名称、不同的校验码、不同的文件大小。

然而，里面的漫画是一样的。每一页都是一样的。如果你试图整理数字图书库，这些几乎相同的重复文件恰恰是标准重复查找工具会遗漏的。

这就是感知哈希解决的问题，也是 Comic Duplicate Scanner 核心技术。

为什么标准文件比较不够用

大多数"重复文件查找"工具通过计算每个文件的校验码，标记共享相同校验码的文件。这对于精确副本效果完美。

但对于漫画档案，这种方法会遗漏现实中最常见的重复文件：

场景	校验码相同？	实际是重复？
不同文件名的副本	否	是
以不同质量重新压缩	否	是
以不同内部结构重新打包	否	很可能是
从两个不同来源下载	否	经常是
精确的字节对字节副本	是	是

感知哈希的做法

感知哈希是从图像的视觉内容而非文件字节计算出的短指纹。最广泛使用的算法 pHash 大致工作原理如下：

将图像调整为小的固定大小（如 32×32 像素）
转换为灰度
应用离散余弦变换（DCT）提取频率分量
保留低频部分——这捕获了整体结构
将每个值与中位数比较，生成位串

视觉内容相似的两张图像产生的哈希汉明距离很低。

这些步骤直接带来两个重要特性：

分辨率无关紧要。 第 1 步在计算之前将每张图像调整为相同的固定网格。同一页面的 1200px 扫描和 3000px 扫描都会缩小为相同的 32×32 缩略图，并产生相同的哈希值。
色彩模式无关紧要。 第 2 步在比较之前转换为灰度。同一页面的彩色扫描和灰度（黑白）扫描产生几乎相同的哈希值，因为算法只分析亮度结构，而不是颜色值。

这些步骤直接带来两个重要特性：

分辨率无关紧要。 第 1 步在计算之前将每张图像调整为相同的固定网格。同一页面的 1200px 扫描和 3000px 扫描都会缩小为相同的 32×32 缩略图，并产生相同的哈希值。
色彩模式无关紧要。 第 2 步在比较之前转换为灰度。同一页面的彩色扫描和灰度（黑白）扫描产生几乎相同的哈希值，因为算法只分析亮度结构，而不是颜色值。

Comic Duplicate Scanner 如何应用这项技术

Comic Duplicate Scanner 在档案级别应用感知哈希：

提取 — 打开每个 CBZ 或 CBR 档案并读取内部图像
每页哈希 — 每页获得一个感知哈希
比较 — 建立相似度索引，找到共享高比例匹配页面的档案
评分 — 根据匹配页数和匹配程度分配匹配置信度

当两个档案 90% 的页面匹配时，误报的概率接近于零。

实际案例

案例1：不同来源，不同文件名 从一个网站下载了 HxH_v12_en.cbz，从另一个网站下载了 Hunter_X_Hunter_Volume_12.cbz。校验码比较：无匹配。感知哈希：各章节页面几乎相同 → 标记为重复。

案例2：重新压缩的档案 有人将 CBZ 通过压缩工具处理，将每张 JPEG 降至 80% 质量。校验码改变了。感知哈希：视觉上相同 → 检测到。

案例3：内部页面重新排列或重命名 一个档案的页面命名为 001.jpg，另一个为 page_001.jpg。感知哈希不查看内部文件名 → 仍然检测到。

案例5：彩色扫描与黑白扫描 您有同一本漫画册的两份副本：一份是早期数字版本的彩色扫描，另一份是后来再版的灰度扫描。文件大小不同，色彩深度不同，视觉外观不同。但由于 dHash 在哈希之前会转换为灰度，两个副本都简化为相同的亮度指纹 → 被标记为重复项。这是几乎所有其他重复检测工具完全忽略的情况。

感知哈希的局限性

重大视觉编辑会打破匹配。 轻微水印或轻微裁剪通常不影响检测。

非常低分辨率的图像不可靠。

跨卷视觉风格相似的漫画。 偶尔可能出现误报——审查界面让你在提交删除前检查缩略图。

使用 Comic Duplicate Scanner

Comic Duplicate Scanner 是一款原生 Mac 应用，将感知哈希技术带到整个图书库。它将选定的重复文件移至废纸篓（非永久删除）。

清理库后，搭配 iPhone 上的 BiblioFuse 使用，获得单一经过整理的阅读来源。