哪种散列算法适用于图像局部描述符？

Question

我在图像上运行滑动窗口(类似于卷积内核)，并提取每个窗口的均值/颜色直方图。然而，由于数据是非常高维的，我希望将其作为签名进行散列，因此我可以通过聚合窗口来执行近似最近邻图像搜索。

>>> means = cv2.mean(roi) #roi = window
>>> means
(181.12238527002307, 199.18315040165433, 206.514296508391, 0.0)..... => **some numeric hash**

哪种哈希算法适用于这种情况？我尝试过Md5和SHA-1，但它们是加密的，可能不适合k-NN。

我读过关于MinHash和SimHash的文章，但不确定它们是否适合我的用例。有什么建议吗？

sliding window image example

Answer 1

位置敏感散列(LSH)是一个很好的选择。根据的说法，它适用于在高维空间中执行近似搜索。

在LSH中使用的散列函数的特征是，对于彼此接近的特征向量，它们的冲突概率比对于那些相距较远的的特征向量高。加密哈希函数没有这个属性。使用加密散列，即使特征向量中非常小的更改也会在散列值中产生广泛的更改。

OpenCV FLANN有一个LSH的实现。此外，上述论文的作者还提供了一个实现here。

话虽如此，我建议您在您的数据集上评估OpenCV FLANN中的其他算法，以便选择最好的算法。

关于这些特征，你基本上是在使用对光照非常敏感的颜色信息。可能在您的情况下，照明是不相关的。如果您可以尝试其他功能描述符(SIFT/SURF、ORB、BRIEF等)，并使用不同的算法评估它们的性能，效果会更好。