如何使用Python检测分辨率变更后仍相似的GIF及视频文件

核心实现逻辑 #

你遇到的二进制比对失效问题，用感知哈希（Perceptual Hash） 方案就能解决，这类算法会提取多媒体文件的视觉特征生成指纹，只要视觉效果一致，哪怕经过压缩、分辨率调整、轻微调色，生成的指纹相似度也会很高，刚好匹配你的排查需求。

推荐工具组合 #

• 轻量快速方案：用 imagehash + Pillow 库实现
  可以给GIF抽3~5个均匀分布的关键帧（比如首帧、1/2进度帧、末帧），分别给每帧算感知哈希值，再把两个GIF对应帧的哈希值做汉明距离比对，距离小于5基本可以判定为视觉一致，这个方案代码量小、运行速度快，适配批量排查上百个网站的需求。
  核心代码示例：

  from PIL import Image
  import imagehash
  
  # 计算单帧哈希
  def get_frame_hash(frame_path):
      img = Image.open(frame_path)
      # 用均值哈希，速度最快；对鲁棒性要求高可以换phash
      return imagehash.average_hash(img)
  
  # 比对两个哈希的相似度
  def hash_similar(hash1, hash2, threshold=5):
      return hash1 - hash2 < threshold
  

• 高精度方案：用 OpenCV（cv2） 库实现
  可以逐帧读取GIF后计算结构相似性（SSIM），还能兼容帧速率调整、帧顺序微小变动的场景，适合对匹配准确率要求极高的场景。
• 视频+GIF通用方案：如果后续还要覆盖视频类素材的比对，可以用 scikit-video 库，封装了帧采样、特征比对的常用工具，减少自定义编码工作量。

优化建议 #

• 可以提前把本地样本的关键帧哈希预计算好存起来，爬取到网站GIF时直接和预存哈希比对，大幅提升批量排查的效率。
• 比对阈值可以根据业务需求调整：如果要求完全视觉一致，阈值可以设为3以内，如果允许轻微压缩损耗可以放宽到8~10。

内容的提问来源于stack exchange，提问作者Sebastian Meragelman