По обрезанному изображению найти полный оригинал?

нейросети с этим плохо справляются

Это почему же?

алгоритм для поиска похожих изображений с учётом обрезки?

• http://www.ipol.im/pub/art/2018/225/
• http://www.ipol.im/pub/pre/247/
• https://www.ipol.im/pub/art/2017/154/
• https://www.ipol.im/pub/art/2011/my-asift/

Спасибо! Только не знаю, как заставить feature matching работать быстро на большом количестве картинок. Близкие перцептивные хэши можно найти очень быстро, а тут придётся сравнивать картинку со всеми картинками в базе. Или нет?

как заставить feature matching работать быстро

"feature matching" + "быстро" = FAIL

Нейросети делают примерно то же, что и олдскульные перцептивные хэши: выдают некий fingerprint для всей картинки целиком. Если из картинки вырезать небольшой фрагмент, то fingerprint у него будет совсем другой.

Тут сгодится обычное попиксельное сравнение если 20% размера от любых изображений совпало то можно с 99% вероятностью сказать что это одни и теже изображения.

Тут сгодится обычное попиксельное сравнение

Предлагаешь от-crop-ить от каждого изображения кусок 100x100 и сравнивать эти куски?

Можно и так, куски брать от углов изображений и середины 5 таких блоков с 1 изображения будет достаточно будет достаточно. Это для случая если изорбажения реально были просто порезаны а не пережаты с потерями ещё после резки ибо тогда это не сработает.

Но если в фотке 1920x1080 два куска в случайных местах размера 100X100 такие что значения rgb равны на 100% то это оооооооооочень вероятно от одной и той же фотки. Сложнее найти именно наоборот попробуй в похожих фотках найти два одинаковый куска)))))))))0 Терабайт домашних фоток перелопатишь не найдёшь ))

Например, по фотографии груди определить порноф кота найти фото девушки, которая держит его на коленях.

Тьфу ты! Я думал просто определить что резаные куски относятка к одной фотки. Сорян, всё что я сказал это не то

Недочитал я заголовок, всё что я сказал херня

работать быстро на большом количестве картинок.

Есть один хак - бимодальная бинаризация. По «маскам» поиск должен проходить быстрее.

Я бы сравнивал дискретные преобразования Гильберта или что-то в этом духе. Этот трюк должен радикально уменьшить необходимый обьем вычислений.

Пришло только в голову разбить изображение на небольшие квадратики и каждый захэшировать отдельно

Есть значительная вероятность, что ты будешь сравнивать глаз кота с ухом кота и всё равно ничего не найдешь.

Я бы наверное попытался выделить кривые а потом искал бы их близость, где больше близких кривых там можно чем-то более медленным пройтись.

А как бы ты выделял кривые?

быстро

Ну и пайтон в помощь:

http://python.su/forum/topic/23058/

А как бы ты выделял кривые?

Я про стратегию, тактика не моя забота.

ЗЫ. А вообще наверное 1 или 2 вторая производная от яркости и аппрокимировать. По идее можно порезать на куски. В конечном итоге имеет значение максимальное совпадение. Насколько сами кривые будут адекватны реальности тут не слишком важно.

1 или 2 вторая производная от яркости и аппрокимировать. По идее можно порезать на куски

Сколько это потребует времени на 1000 изображений?

Какая разница, если делается это только один раз.

делается это только один раз.

Здрасте-приплыли! Вы с какого потолка берёте эти «заявления».

Вот щас бы в 2k17 называть вопросы заявлениями.

В теории диплернинг должен справляться неплохо

а тут придётся сравнивать картинку со всеми картинками в базе

https://habr.com/ru/post/266129/

придётся сравнивать картинку со всеми картинками в базе

Сортировка изображений по размеру резко уменьшит сложность задачи.

Существует какой-нибудь известный алгоритм для поиска похожих изображений с учётом обрезки?

Глянь в ITK ©.

работать быстро на большом количестве картинок

Поиск и сравнение в спектральной области иногда быстрее, чем простая свёртка. Для инвариантности к масштабированию, вращению и сдвигу объекта используют преобразование Фурье-Меллина ©, предварительно выполнив разбеливание изображения (равномерный спектр).