在我发布到这里之前，我在板上做了相当多的环顾，但我没有看到任何能捕捉到我希望做的事情。
我们收到大量的入站传真（500 多页/天）作为单独的文件（大约 100 多份文件/天）。发送者（作为医院）通常会在第一次尝试几个小时后重新发送相同的文件。我想将第二次发送标记为“潜在克隆”，以便可以适当地路由和标记它。
我想知道如何在每个到达的传真（PDF/TIFF）上计算和标记某种哈希或 ID，然后快速在我们的文档数据库中进行扫描，看看它是否是唯一的。
显然，如果不希望 100% 确定，就没有办法，但我不由自主地认为，如果以下情况，一份传真将与另一份传真相同：
但是我对图像比较有点困惑。我正在寻找一个阈值哈希码或某种方式来表示“每个传真的 p4 上的图像有 95% 的可能性是相同的”。例如，原始传真的 p4 可能是歪斜的，但重新发送的传真的 p4 是直的。我正在考虑首先通过 Inlite Research 的 ClearImage Repair 之类的工具运行所有传真页面，以拉直、旋转和校准所有页面。
有没有人做过这样的事情？
如果 OCR 不是一个选项，您可以采用基于图像的方法。一种可能性是对传真图像进行下采样/过滤（以去除高频噪声），然后计算两个下采样图像的像素之间的归一化相关性。显然，还有更强大的方法，但这可能足以标记两个传真以进行手动检查。特别是如果您提到的图像修复软件可以自动定位和缩放每一页。
困难在于，如果发送的第二份传真是新扫描的结果，那么这两个文件将具有不同的哈希值。
测量文档之间的相似性（似是而非的重复）可能需要对它们进行 OCR，或者以其他方式比较（如果是模糊方式）它们的图像内容（即在解压缩它们之后）。
编辑：对用于重复检测的 HASH 代码的建议
试探性地，可以将文档的以下属性组合成一些散列值，这些散列值易于提供良好的指示，即似是而非的重复：
应该为每个单独的页面获取这些属性，原因是页面是明确的限制，因此通过在这些限制上“硬”，我们可以在页面内容中允许更软（更模糊）的测量。
并非所有以下属性都是必需的。这些通常从更容易获得到需要更多编程的那些列出。
关于“散列”，它应该尽可能宽，理想情况下是一个可变长度的散列，由附加 32 位或 64 位散列组成，每页一个。
如果文档主要是文本，那么对它们进行 OCR 处理是个好主意。比较文本很简单。
我想可以进行“距离”计算，但是如果传真第二次被颠倒发送怎么办？还是他们扩大了它以使其更清晰？
我会尝试处理您可能遇到的文档子集，而不是应用通用算法。你会得到更好的结果，因为它不会在阳光下寻找一切。
我认为OpenCV库是您正在寻找的。如果我没记错的话，它有图像相似性工具。通过地标识别和频域技术。可以在频域中进行近似散列，而不会因为图像中的微小差异而遇到太多麻烦。