min-hash

min-hash用来做partial duplicate image discovery

 

min-hash中h(I)返回的值是，二值化bag of words向量为1的位置所对应的最小值。
如：
bit map of bag of words:    0     1     0     1       0    1 ....
hash()                           : 0.1  0.3  0.2  0.5  0.15 0.6 ....
则h() = 0.3（第二列对应的）

1次min-hash（即使用一个hash函数，h(I)的结果是一个数），且sketch = 1时（做一次N个min-hash，结果是一个向量（min-hash次数等于1时为一个数））：
h相同，若I1 I2的元素相同，则h(I1), h(I2)亦相同。
其中，I1 I2为二值化的bag of words。由于h是随机函数，则每个等于1的元素处，所对应的h()取最小值的概率是等可能的。
注意到h(I)后，所得到的向量每个元素都不相等（哈希特性）。则h(I)相等 可推出 在两幅图像的二值化的bag of words向量的某个相同的位置上，都为1。
所以

 

    P(h(I1)==h(I2))

= 在两幅图像的二值化的bag of words向量的相同位置上都为1（的数量）/ 在两幅图像的二值化的bag of words向量的任意位置上任意一个向量的元素为1（的数量）

= sim(I1,I2)

 

 

所以当N(min_hash) = k ， sketch = n时：
P(h(I1)==h(I2)) = 1 - （1 - sim(I1,I2)^k ）^n
此时，
                          1             sim(I1,I2) > theta
P(h(I1)==h(I2))近似为：
                          0             otherwise

min-hash取min，取max，甚或是取第N大或小的效果都是一样的。

min-hash之所以不直接用（向量中的）位置信息而取k*n（N(min_hash) = k ， sketch = n）个random（hash）函数是因为位置信息是单调递增的。