我正在使用MinHash算法在图像之间找到相似的图像。
我碰到了 How can I recognize slightly modified images? 这个帖子，它指出了MinHash算法。
我在此博客文章 Set Similarity and Min Hash 中使用了C#实现。
但是在尝试使用实现时，我遇到了两个问题。
universe值设置为什么值？ HashSet时，它仅包含不同的字节值；从而比较1到256之间的值。MinHash中的这个
universe是什么？我该怎么做才能改善C#MinHash的实现？
由于
HashSet<byte> 包含最多256个值，因此相似性值始终为1。这是使用来自
Set Similarity and Min Hash 的C#MinHash实现的源:class Program
{
static void Main(string[] args)
{
var imageSet1 = GetImageByte(@".\Images\01.JPG");
var imageSet2 = GetImageByte(@".\Images\02.TIF");
//var app = new MinHash(256);
var app = new MinHash(Math.Min(imageSet1.Count, imageSet2.Count));
double imageSimilarity = app.Similarity(imageSet1, imageSet2);
Console.WriteLine("similarity = {0}", imageSimilarity);
}
private static HashSet<byte> GetImageByte(string imagePath)
{
using (var fs = new FileStream(imagePath, FileMode.Open, FileAccess.Read))
using (var br = new BinaryReader(fs))
{
//List<int> bytes = br.ReadBytes((int)fs.Length).Cast<int>().ToList();
var bytes = new List<byte>(br.ReadBytes((int) fs.Length).ToArray());
return new HashSet<byte>(bytes);
}
}
}
最佳答案
首先考虑第二个问题:
您正在尝试比较byte级别上的图像，这些文件本质上具有不同的结构(您将TIFF用作一个图像，将GIF用作另一个图像)。即使从视觉上看这些文件是完全相同的，除非文件的类型相同，否则您的实现将永远找不到重复的文件。
就是说，您的minhash实现应取决于为创建签名而对图像进行比较的可比较属性。
尽管字节的值绝对是图像的属性，但是如果它们的格式不同，则不能将它们相互比较。
对于图像，您可以使用例如图像中每个像素的RGB(可能还有alpha)值。无论图像采用哪种格式(您都可以使用CMYK或任何其他color space)，这些值都是可比较的。
但是，为每个像素使用单独的值会给您较差的结果。 Jaccard similarity用于比较每个集合中的值(无论是否哈希任何对象)，并且由于没有为集合分配任何顺序，因此图像中具有相同像素数的相同颜色，但排列顺序不同的图像空格将导致误报。
以以下图像为例:
它们均为100px x 100px，其中红色像素为50像素，绿色像素为50像素。
使用Jaccard相似度比较两者，您将获得以下内容(请注意，由于值相同，因此每种颜色集仅包含一个元素。如果需要，您可以使用Jaccard bag comparison比较具有多个计数的袋子相同项目，但在这种情况下，值将变为相同):
Legend:
g = green
r = red
left image = { r, g }
right image = { r, g }
similarity = intersection(left, right) / union(left, right)
similarity = 1 / 1 = 100%
关于
right image = { r, g }表示的注释:因为集合是无序的，所以{ r, g }与{ g, r }相同，因此即使没有计算Jaccard比较，它们的作用也相同，这一点很明显。但显然，这些图像并不相同。
这就是为什么通常使用shingling以便在集合中找到不同的小区域，这些区域可以共同用于唯一地标识商品的原因。
对于图像，可以使用固定长度的连续RGB值(在这种情况下，从左到右，从上到下，在碰到边缘时环绕)来生成带状疱疹。在这种情况下，假设带状疱的长度为3，则您的集合看起来像这样(请注意，我使用方括号来表示属性/向量，因为带状疱疹本身并不是集合):
left image = { [r, r, r], [r, r, g], [r, g, g], [g, g, g] }
right image = { [g, g, g], [g, g, r], [g, r, r], [r, r, r] }
并为您提供Jaccard的相似点:
intersection(left, right) = 2
union(right, left) = 6
similarity(left, right) = 2 / 6 = 33.33%
这是对这些图像与原始图像的相似程度(因为它们不相似)的更近的估计。
请注意，带状疱疹可以是您选择的任何长度。您必须决定哪些带状疱疹会产生适当的Jaccard相似性结果(和阈值)，以回答“这些相似性如何？”的问题。
现在，回答您的第一个问题:
在这种特殊情况下，它是Universe中可能存在的项目数。如果您使用单个RGB像素，则Universe将为:
255 * 255 * 255 = 16,581,375
使用带状装饰，当您处理这些项目的组合时，其值(value)要高得多。理想情况下，您要为minhash的一组哈希函数生成一组perfect hash functions。但是，由于类型系统的限制(或者，因为您不想在另一个存储介质中存储非常大的数字)，您的重点应该放在使冲突最小化的哈希函数上。
如果您知道项目范围中可能的项目数量，那么它可以帮助您生成减少碰撞次数的哈希函数。
在implementation that you reference中，此Universe大小用于生成随机数，然后将这些数字传递以生成用于进行哈希处理的多个哈希函数，理想情况下，这些哈希函数将产生最小的冲突。
关于c# - 使用MinHash查找2张图像之间的相似性，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/2758922/