重复图像检测算法？

Question

我正在考虑为图像创建一个数据库系统，在该系统中，图像以紧凑的签名存储，然后与“查询图像”相匹配，该“查询图像”可能是存储的图像的大小调整、裁剪、亮度、旋转或翻转版本。请注意，我不是在谈论图像相似算法，而是严格地说重复检测。这样事情就简单多了。如果两幅图像上有一只大象，系统不会在意，只有检测出这两幅图像是否实际上是同一幅图像才是重要的。

直方图比较对裁剪后的查询图像不起作用。我看到的唯一可行的方法是形状/边缘检测。图像将首先以某种方式被离散化，例如，每个像素被转换成8级灰度.离散化的图像将包含相同颜色的大片区域，这将有助于显示形状。这些形状可以用系数来描述，它们的相对位置可以被记住。将由此产生契约性签名。当必须执行比较时，将对存储的每个图像和每个查询图像执行此处理。这听起来像是一种有效的、可实现的算法吗？为了说明这一想法：

删除死ImageShack链路

我知道这是一个不成熟的研究领域，我读过维基百科关于这个问题的文章，我想请你提出你对这种算法的想法。

Answer 1

冲浪应该做好它的工作。

http://en.wikipedia.org/wiki/SURF

它是一个快速的鲁棒，它是不变的旋转和缩放，也是在模糊和对比/闪电(但不是那么强烈)。

有自动全景拼接的例子。

先检查SIFT上的文章

转换

Answer 2

如果您想要做一个特征检测驱动模型，您也许可以获取图像的奇异值分解 (您可能需要为每种颜色做一个SVD )，并使用U和V矩阵的前几列以及相应的奇异值来判断图像有多相似。

与奇异值分解方法非常相似的是一种叫做主成分分析的方法，我认为它将更容易用于图像之间的比较。PCA方法很接近于将奇异值分解到U矩阵和V矩阵中，从而去除奇异值。如果您遵循PCA路径，您可能还需要查看对应分析。顺便说一句，PCA方法是Netflix奖中常用的特征提取方法。

Answer 3

看看tineye.com，他们有一个很好的系统，而且一直在改进。我相信你能从他们那里找到关于这个问题的研究论文。