我正在尝试实现一个通用指纹memoizator：我们有一个可以通过智能指纹表达的文件（例如图像的 pHash 或音频的chromaprint），如果我们想要的（昂贵的）功能已经在相似文件上计算，然后我们返回相同的结果（避免昂贵的计算）。
Locality Sensitive Hash (LSH) 是在昂贵的多维空间中解决Approximate nearest neighbor 问题的流行且性能良好的解决方案。
pHash 是一个很好的库，它实现了图像的感知散列。
因此 pHash 将多维输入（图像）转换为一维对象（哈希码），这与 LSH（同样，LSH 中的多维对象）有所不同。
所以我想知道我们如何为 pHash 哈希值实现一维 LSH？或者简而言之：我们如何将相似的 pHash 值分组？它可以替代经典的 LSH 方法（如果不是为什么）？
【问题讨论】：
标签： c++ hash locality-sensitive-hash phash
您可以使用nrandom projections 将pHash 空间拆分为2^n 桶，然后很可能会从同一个桶中找到相似的图像。您甚至可以使用汉明权重为 1 的所有 64 个可能整数对哈希进行异或运算，以方便地检查相邻的存储桶，并确保找到所有近似匹配项。
仅当您对哈希值几乎相同（小汉明距离）的图像感兴趣时，这才有效。如果您想容忍更大的汉明距离（例如 8），那么高效准确地找到所有匹配项会变得很棘手。 scanning throughGPU 整个表我的性能非常好，即使是我 3 岁的笔记本电脑的 GT 650M 也可以检查 7 亿次哈希/秒！
编辑 1：您可以将 64 位散列视为 64 维立方体上的单个角，如果将角坐标标准化为 -1 和 1（这样它的中心在原点）。您可以将m 图像表示为大小为m x 64 的矩阵M（一行/图像，一位哈希/列）。
将其拆分为2^n不同组的最简单方法是生成n 64维向量v_0, v_1, ..., v_n（从正态分布N（0,1）中挑选每个向量元素），这可以表示为矩阵V 大小为 64 x n（一列/向量）。正如随机投影中提到的那样，可能会执行正交性，但我将在此处跳过。
现在通过计算A = (M * V) > 0 得到m x n 矩阵（一个图像/行，一个投影/列）。接下来将每一行的二进制表示转换为一个数字，您会得到2^n 不同的可能性，并且相似的哈希最有可能最终出现在同一个桶中。
该算法适用于数据的任何正交表示（例如SURF 特征），而不仅仅是二进制字符串。我确信二进制哈希有更简单（计算效率更高）的算法，但这是实现随机投影的一种方法。
我建议进行异或运算，因为如果图像没有相同的哈希值，则不能保证它们最终会出现在同一个存储桶中。通过检查与原始哈希的所有可能的小偏差，您可以查看哪些其他 bin 可能匹配。
在某种程度上，这类似于计算机游戏引擎如何将 2D 地图拆分为大小为 x 的单元格网格，然后从一个点查找半径 x 内的所有单元，您只需检查 9单元格（包含点的单元格 + 8 个周围单元格）以获得 100% 准确的答案。
【讨论】：