Confronto immagini con hash percettivo e distanza di Hamming

Confronti due immagini senza caricare i file quando dispone già dei rispettivi hash percettivi. Lo strumento accetta due hash binari della stessa lunghezza, controlla ogni posizione e restituisce sia la distanza di Hamming sia una percentuale di somiglianza. Una distanza pari a zero indica hash identici; valori più alti segnalano una differenza percettiva maggiore. Il calcolo è deterministico, rapido e riservato, ed è utile per rilevare duplicati, verificare contenuti multimediali, controllare migrazioni e automatizzare pipeline di immagini.

Prepari hash percettivi confrontabili

Un hash percettivo è un’impronta compatta progettata per conservare le relazioni visive, non i byte esatti del file. Prima di effettuare il confronto, generi entrambi gli hash con lo stesso metodo, le stesse dimensioni, la medesima lunghezza in bit, regole di pre-elaborazione uguali e un’unica convenzione di output. Per esempio, non confronti l’hash medio di un’immagine con l’hash differenziale di un’altra, anche se entrambi contengono lo stesso numero di bit.

Questa capacità richiede che ciascun valore sia una stringa binaria non vuota composta esclusivamente da 0 e 1. Rifiuta volutamente la forma esadecimale, i separatori, i prefissi e gli spazi, così ogni carattere rappresenta esattamente un bit misurato e il risultato non dipende da un’interpretazione implicita. Anche le due stringhe devono avere la stessa lunghezza.

L’uguaglianza è essenziale perché la distanza di Hamming confronta posizioni corrispondenti: i bit aggiuntivi di un hash lungo non hanno un termine di confronto in uno corto. Se la sorgente conserva hash esadecimali, converta entrambi in stringhe binarie con lo stesso riempimento prima dell’invio. Mantenga gli zeri iniziali, perché rimuoverli cambia la lunghezza dichiarata e l’allineamento delle posizioni, anche quando un parser numerico considera equivalenti i valori.

Interpreti la distanza e la percentuale

La distanza di Hamming è il numero di posizioni nelle quali i due hash contengono bit diversi. Se due hash da 64 bit differiscono in cinque posizioni, la loro distanza è cinque. La percentuale di somiglianza esprime la quota complementare delle posizioni coincidenti: il numero di bit uguali viene diviso per la lunghezza totale e moltiplicato per cento.

Una coppia identica restituisce quindi distanza zero e somiglianza del cento per cento. Una coppia diversa in ogni posizione produce una distanza uguale alla lunghezza e somiglianza zero. Consideri la percentuale come un confronto normalizzato degli hash, non come la probabilità universale che due file rappresentino lo stesso soggetto.

Le soglie dipendono dall’algoritmo percettivo, dalla dimensione dell’hash, dal dominio delle immagini e dal costo dei falsi abbinamenti. Un flusso per foto duplicate può accettare solo distanze minime, mentre un raggruppamento visivo può scegliere un limite più ampio. Calibri la regola con corrispondenze e differenze rappresentative della Sua raccolta, invece di copiare una soglia progettata per un’altra famiglia di hash.

Usi il risultato in sicurezza nella pipeline

Una pipeline pratica per trovare duplicati genera in genere un hash percettivo coerente per ogni risorsa, confronta coppie candidate e applica poi una regola alla distanza ottenuta. Salvi insieme a ogni impronta il metodo e la lunghezza in bit, così i record incompatibili possono essere esclusi prima del confronto. Per raccolte grandi, impieghi un indice approssimativo o un altro passaggio di selezione dei candidati: confrontare ogni immagine con tutte le altre cresce in modo quadratico e raramente serve.

Quando una coppia si trova vicino alla soglia scelta, conservi le immagini originali per una revisione umana o un controllo visivo più approfondito. Gli hash percettivi tollerano intenzionalmente alcune trasformazioni e possono individuare varianti ridimensionate o ricompresse che i checksum crittografici non rilevano, ma possono anche avvicinare immagini visivamente semplici. Questa capacità non esamina i pixel, non identifica il contenuto e non dimostra la proprietà.

Confronta soltanto le due stringhe di bit ricevute. Il calcolo non usa rete, casualità, orologio o stato nascosto, quindi la stessa coppia valida produce sempre lo stesso risultato.