我有一组类似尺寸的小位图，比方说8x8。每个位置一位。该集由几百个这样的位图组成。
接下来，我有一个永无止境的数百万个位图流......对于每个位图，我需要从集合A中找到匹配最佳位图的位图。我可能找不到完美的搭配。一个很好的匹配是LOOKS相似的，如图片。即，所有“最左边”位设置的位图与具有所有最右位设置的位置匹配不佳。设置相同的位数，但也必须考虑它们的位置。向右移动一步的位图没有完全匹配的位，但它看起来与原始位置非常相似，所以这将是一个非常好的匹配。再转移一下它就不再那么好了。
Soo ......它可以是近似值，也可以是模糊的。速度优于完美。我查看了测量图像之间相似性的SSIM索引算法，但我认为它太过分了，我可能需要更专业的东西。
如果我可以做一些预先计算，然后只使用某种对性能有好处的查找表，但我不确定我是怎么做的。在这种情况下，散列不会有多大用处......
非常感谢任何帮助！
答案 0 :(得分：1)
两个二值图像之间的直线相似性度量是它们的汉明距离（即，每对相应的像素获得相同的权重）。这隐含地考虑了它们的几何位置，但不能应对变化。
为了处理轮班，我想你不能真正避免明确转移然后比较。如果你限制自己偏移±1，这意味着总共有9次比较而不是1.对于这样的微小图像来说，处理旋转或缩放似乎代价高昂/毫无意义。
为了加快搜索速度，您可以考虑从粗到细的方法：通过添加2x2块中的像素来形成缩小的图像，以获得4x4，然后是2x2甚至1x1的缩减。这些thumnails不再是二进制文件，但总位数会减少。相同的图像将具有相同的缩减，相似或移位的图像将具有相似的缩减。
现在，您可以将图像数据库组织为树，以便每个全分辨率图像指向其缩小，等等递归。然后匹配给定的图像，形成1x1缩略图，选择数据库中最接近的matche，并继续使用后代，同时逐步增加缩减。