图像哈希检索背景综述(二)——哈希检索算法总结

这一篇主要对图像哈希技术的现有算法做一个研究性的概述。由于哈希函数的本质是一个降维的操作，因此会存在特征信息的丢失和检索准确率的下降。

 

目前的哈希函数可以分为数据依赖的（Data-dependent）和数据独立的(Data-independent)，数据依赖的哈希函数也就是依赖原始数据来学习哈希函数，数据独立的就是人工指定哈希函数。

最最经典的也算作最原始的用于图像检索的哈希算法是LSH，即局部敏感哈希（Locality Sensitivehashing）。它是由Piotr Indyk等人提出的，该方法对数据进行随机映射，属于数据独立的哈希函数。容易实现，计算速度也较快。这是一种非数据驱动型的算法，检索精度并不高。

 

之后的很多哈希函数都是基于该LSH方法做出的改进和扩展延伸，如Jianqiu Ji等人提出的超比特局部敏感哈希（Super-BitLocality-Sensitive Hashing, SBLSH），以角度作为核函数度量标准，对随机投影向量进行分组正交化；Brian Kulis等人提出的核化局部敏感哈希（KernelizedLocality-Sensitive Hashing, KLSH），对LSH进行了扩展，利用核函数和图像库中的稀疏集来构造随机映射，可以选择任意核函数作为相似性度量函数。

 

对于除了数据本身所具有的信息，数据可能还具有附加的信息，例如标签信息等，在模式识别、计算机视觉和机器学习等领域有着非常重要的作用。因此基于此，哈希函数还可以分为基于监督的、基于半监督的和基于非监督的哈希函数。

 

这里对近几年来的哈希函数做了一些总结和概述，整理在一个文档中。是根据袁勇学长的一篇博客进行整理的，