重复的图像检测算法？

Question

我正在考虑为图像创建一个数据库系统，用紧凑的签名存储这些图像，然后与“查询图像”进行匹配，“查询图像”可以是存储图像的调整大小，裁剪，增亮，旋转或翻转版本。请注意，我不是在谈论图像相似度算法，而是严格来说是重复检测。这会使事情变得简单得多。系统不关心两个图像是否有大象，只检测这两个图像是否实际上是同一图像是很重要的。

直方图比较根本不适用于裁剪的查询图像。我看到唯一可行的方法是形状/边缘检测。首先将图像以某种方式离散化，例如将每个像素转换为8级灰度。离散化的图像将包含相同颜色的大区域，这有助于指示形状。然后可以用系数描述这些形状，并且可以记住它们的相对位置。紧凑的签名将由此产生。当必须执行比较时，将对存储的每个图像以及每个查询图像执行该处理。这听起来像一个有效和可实现的算法？为了说明这个想法：

删除了死亡的ImageShack链接

我知道这是一个不成熟的研究领域，我已经阅读了关于这个主题的维基百科，我会请你提出你对这种算法的想法。

Answer 1

SURF应该发挥作用。

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

速度快，强劲，旋转和缩放以及blure和对比度/闪电都不变（但不是那么强烈）。
有自动全景拼接的例子。

首先检查SIFT上的文章 http://en.wikipedia.org/wiki/Scale-invariant_feature_transform

Answer 2

如果你想做一个特征检测驱动模型，你可以拍摄singular value decomposition图像（你可能需要为每种颜色做一个SVD）并使用U的前几列和V矩阵以及相应的奇异值来判断图像的相似程度。

与SVD方法非常相似的是一个名为principle component analysis的方法，我认为它更容易用来比较图像。 PCA方法非常接近于仅采用SVD并通过将它们分解为U和V矩阵来消除奇异值。如果您遵循PCA路径，您可能还需要查看correspondence analysis。顺便说一句，PCA方法是Netflix Prize中用于提取特征的常用方法。

Answer 3

查看tineye.com他们拥有一个始终在不断改善的良好系统。我相信你可以找到关于这个主题的研究论文。

Answer 4

如何将this python codes转换回C？

Answer 5

您可能会引用on Wikipedia on feature detection的文章。

如果您使用的是Intel / AMD处理器，则可以使用Intel Integrated Performance Primitives访问图像处理功能库。除此之外，还有OpenCV项目，还有另一个图像处理函数库。使用库的优势在于，您可以尝试各种已经实现的算法，以查看适合您情况的算法。