使用pHash搜索庞大的图像数据库，最好的方法是什么？

Question

我需要搜索一个巨大的图像数据库，使用pHash找到可能的重复，假设这些图像记录具有使用pHash生成的哈希码。

现在我必须比较一个新图像，我必须使用针对现有记录的pHash为此创建哈希。但根据我的理解，比较并不像

那样直截了当

hash1 - has2 < threshold

看起来我需要将两个哈希码传递到pHash API来进行匹配。所以我必须批量检索DB中的所有哈希码，并使用pHash API逐个进行比较。

但如果我在队列中有大约1000张图像与数百万已经存在的图像进行比较，这看起来不是最好的方法。

我需要了解以下内容。

1. 我对使用pHash与现有图像db进行比较的理解/方法是否正确？
2. 有没有更好的方法来处理这个问题（不使用像lire这样的cbir库）？
3. 我听说有一个名为dHash的算法，它也可以用于与哈希码的图像比较..这里有任何java库，可以和pHash一起使用来优化大图像和重复图像的任务处理任务。

提前致谢。

Answer 1

我认为这个问题的某些部分是在pHash支持论坛上讨论的。

  

您需要使用mvptree存储机制

http://lists.phash.org/htdig.cgi/phash-support-phash.org/2011-May/000122.html 和 http://lists.phash.org/htdig.cgi/phash-support-phash.org/2010-October/000103.html

Answer 2

根据您对“巨大”的定义，这里的一个好方法是实现BK-Tree哈希树（human readable description）。

我正在使用类似的项目，并实施了BK tree in cython。它具有相当的性能（对于1200万个项目数据集，搜索汉明距离为2小于50毫秒，并且接触约0.01-0.02％的树节点）。

较大比例搜索（编辑距离为8）需要更长时间（约500毫秒）并触摸约5％的树节点。

这是64位散列大小。