Как я могу распознать немного измененные изображения?

Наивная идея: создайте небольшие миниатюры (50x50 пикселей), чтобы найти «Возможно идентичные» изображения, затем увеличить размер миниатюр, чтобы выбросить больше изображений.

Также хорошо о хеш от миниатюр: масштабированные дубликаты распознаны (с небольшим модификацией)

Я не думаю, что эта проблема может быть решена путем хеширования. Вот трудности: предположим, что у вас есть красный пиксель, и вы хотите 3 и 5, чтобы хэш с одинаковым значением. Ну, тогда вы также хотите 5 и 7 к хэш к тому же значению, а 7 и 9, и так далее ... Вы можете построить цепь, которая говорит, что вы хотите, чтобы все пиксели были к тому же значения.

Вот то, что я бы попробую вместо этого:

1. построить огромное b-дерево, с 32-подвесной велосот на каждом узле, содержащем все изображения.
2. Все изображения в дереве являются одинаковым размером, или они не дублирует.
3. Дайте каждый цветной пиксель уникальный номер, начиная с нуля. В верхнем левом углу может быть пронумерован 0, 1, 2 для компонентов R, G, B, или вам может быть лучше со случайной перестановкой, потому что вы собираетесь сравнивать изображения в порядке этого нумерации.
4. Внутренний узел на глубине N дискриминирует 32 способа по значению пикселя N, разделенным на 8 (это выталкивает некоторые из шума в близлежащих пикселях.
5. Узел листьев содержит немного небольшого количества изображений, скажем 10 до 100. Или, может быть, количество изображений - это повышенная функция глубины, так что если у вас есть 500 дубликатов одного изображения, после определенной глубины вы перестаете пытаться отличить их.

Один все два миллиона узлов вставляются в Дерево, два изображения дублируются только в том случае, если они в одном узле. Правильно? Неправильно! Если значение пикселя в двух изображениях составляют 127 и 128, один идет в Overgede 15, а другой идет в Outlede1 На пикселе вы можете вставить это изображение в одну или два детей:

• для яркости b , вставка в b / 8 , B-3) / 8 , а (B + 3) / 8 . Иногда все 3 будут равны, и всегда 2 из 3 будут равны. Но с вероятностью 3/8 вы дважды количество OutedGes, на которых появляется изображение. В зависимости от того, насколько глубоки у вас могут быть много дополнительных узлов.

Кто-то еще придется сделать математику и посмотреть, если вы должны разделить чем-то более 8, чтобы сохранить изображения от дублирования слишком много. Хорошая новость заключается в том, что даже если истинный вентилятор только около 4 вместо 32, вам нужно только дерево глубиной 10. Четыре дупликации в 10 приходят в 32 миллиона изображений на листьях. Я надеюсь, у вас есть много оперативной памяти в вашем распоряжении! Если нет, вы можете поставить дерево в файловую систему.

Дайте мне знать, как это идет!

Основываясь на идее minHash ...

Моя идея состоит в том, чтобы создать 100 справочных таблиц, используя все изображения в базе данных. Справочные таблицы отображают яркость конкретного пикселя в список изображений, которые имеют такую ​​же яркость в том же пикселе. Чтобы найти изображение, просто введите его в хеш-таблицы, получите 100 списков и получите балл за каждое изображение, когда оно появляется в списке. Каждому изображению будет присвоена оценка от 0 до 100. Выигрывает изображение с наибольшим количеством баллов.

Есть много проблем с тем, как это сделать при разумных ограничениях памяти и как это сделать быстро. Для хранения на диске необходимы правильные структуры данных. Также возможна настройка значения хеширования, количества таблиц и т. Д. Если потребуется дополнительная информация, я могу подробнее остановиться на этом.

Мои результаты были очень хорошими. Я могу проиндексировать миллион изображений примерно за 24 часа на одном компьютере и искать 20 изображений в секунду. Насколько я могу судить, точность поразительна.