用于图像处理的 OpenCV 中的局部敏感散列
Locality Sensitivy Hashing in OpenCV for image processing
这是我的第一个图像处理应用程序，所以请善待这个肮脏的农民。
申请：
我想实现一个快速应用程序（性能至关重要 甚至超过准确性）给定一张包含电影海报的照片（由手机拍摄 phone）找到给定数据集中最相似的照片和 return 相似度得分。数据集由相似的图片组成（手机拍摄 phone，包含电影海报）。图像可以有不同的大小、分辨率，并且可以从不同的角度拍摄（但没有旋转，因为海报应该总是向右）。
任何关于如何实现此类应用程序的建议都被广泛接受。
OPENCV 中的特征描述：
我从未使用过 OpenCV，但我阅读过 this tutorial about Feature Detection and Description 的 OpenCV。
据我了解，这些算法应该找到关键点（通常是角）并最终定义描述符（描述每个关键点并用于匹配两个不同的图像）。我使用 "eventually" 因为其中一些（例如 FAST）仅提供关键点。
最相似的图像问题和 LSH：
以上问题没有解决问题"given an image, how to find the most similar one in a dataset in a fast way"。为了做到这一点，我们都可以使用之前任何算法获得的关键点和描述符。上述问题似乎 nearest neighbor problem and Locality Sensitive Hashing 是一种快速且流行的解决方案，用于在高维空间中找到该问题的近似解。
问题：
我不明白的是如何在 LSH 中使用任何先前算法（即关键点和描述符）的结果。
这个问题有什么实现吗？
我将提供一个超出 OpenCV 库范围的一般性答案。
引用这个answer：
descriptors: they are the way to compare the keypoints. They
summarize, in vector format (of constant length) some characteristics
about the keypoints.
话虽如此，我们可以imagine/treat（几何）描述符作为D维space中的点。所以总的来说，所有的描述符都是 D 维 space 中的点。例如，对于 GIST，D = 960。
所以实际上描述 描述 图像，使用比整个图像更少的信息（因为当你有 10 亿张图像时，大小很重要）。它们充当图像的代表，因此我们代表图像处理它们（因为它们是 easier/smaller 来处理）。
您提到的问题 是 Nearest Neighbor problem. Notice that an approximate version of this problem can lead to significant speed ups, when D is big (since the curse of dimensionality will make the traditional approaches, such as a kd-tree 非常慢，在 N（点数）方面几乎是线性的。
解决 NN 问题（优化问题）的算法通常是通用的。他们可能不关心数据是否是图像、分子等，例如我对两者都使用了我的 kd-GeRaF。结果，算法期望 D 维 space 中的 N 个点，因此您可能想说 N 个描述符。
检查我对 LSH 的回答（这指向一个很好的实现）。
编辑:
LSH 期望输入 N 个维度为 D 的向量并给定一个查询向量（在 D) 和范围 R，将从查询向量中找到位于此范围内的向量。
因此，我们可以说每个图像仅由一个向量表示，例如 SIFT 格式。
你看，LSH 实际上并没有直接解决 k-NN 问题，但它在一个范围内搜索（并且可以给你 k-NN，如果它们在范围内）。阅读更多关于 R 的内容，在实验部分，高维近似最近邻 。 kd-GeRaF和FLANN直接求解k-NN问题
这是我的第一个图像处理应用程序，所以请善待这个肮脏的农民。
申请：
我想实现一个快速应用程序（性能至关重要 甚至超过准确性）给定一张包含电影海报的照片（由手机拍摄 phone）找到给定数据集中最相似的照片和 return 相似度得分。数据集由相似的图片组成（手机拍摄 phone，包含电影海报）。图像可以有不同的大小、分辨率，并且可以从不同的角度拍摄（但没有旋转，因为海报应该总是向右）。
任何关于如何实现此类应用程序的建议都被广泛接受。
OPENCV 中的特征描述：
我从未使用过 OpenCV，但我阅读过 this tutorial about Feature Detection and Description 的 OpenCV。
据我了解，这些算法应该找到关键点（通常是角）并最终定义描述符（描述每个关键点并用于匹配两个不同的图像）。我使用 "eventually" 因为其中一些（例如 FAST）仅提供关键点。
最相似的图像问题和 LSH：
以上问题没有解决问题"given an image, how to find the most similar one in a dataset in a fast way"。为了做到这一点，我们都可以使用之前任何算法获得的关键点和描述符。上述问题似乎 nearest neighbor problem and Locality Sensitive Hashing 是一种快速且流行的解决方案，用于在高维空间中找到该问题的近似解。
问题：
我不明白的是如何在 LSH 中使用任何先前算法（即关键点和描述符）的结果。
这个问题有什么实现吗？
我将提供一个超出 OpenCV 库范围的一般性答案。
引用这个answer：
descriptors: they are the way to compare the keypoints. They summarize, in vector format (of constant length) some characteristics about the keypoints.
话虽如此，我们可以imagine/treat（几何）描述符作为D维space中的点。所以总的来说，所有的描述符都是 D 维 space 中的点。例如，对于 GIST，D = 960。
所以实际上描述 描述 图像，使用比整个图像更少的信息（因为当你有 10 亿张图像时，大小很重要）。它们充当图像的代表，因此我们代表图像处理它们（因为它们是 easier/smaller 来处理）。
您提到的问题 是 Nearest Neighbor problem. Notice that an approximate version of this problem can lead to significant speed ups, when D is big (since the curse of dimensionality will make the traditional approaches, such as a kd-tree 非常慢，在 N（点数）方面几乎是线性的。
解决 NN 问题（优化问题）的算法通常是通用的。他们可能不关心数据是否是图像、分子等，例如我对两者都使用了我的 kd-GeRaF。结果，算法期望 D 维 space 中的 N 个点，因此您可能想说 N 个描述符。
检查我对 LSH
编辑:
LSH 期望输入 N 个维度为 D 的向量并给定一个查询向量（在 D) 和范围 R，将从查询向量中找到位于此范围内的向量。
因此，我们可以说每个图像仅由一个向量表示，例如 SIFT 格式。
你看，LSH 实际上并没有直接解决 k-NN 问题，但它在一个范围内搜索（并且可以给你 k-NN，如果它们在范围内）。阅读更多关于 R 的内容，在实验部分，高维近似最近邻 。 kd-GeRaF和FLANN直接求解k-NN问题