位置敏感哈希Locality-Sensitive Hashing

      图像检索其基本定义为给定的一个包含个图像数据集，每个图像可以用一个维的特征向量来描述，因此整个图像数据集就映射为维空间的个点，在此维空间中用一个相似度度量函数来测量两个图像点之间的距离，对于任意给定的查询点，需要设计一个数据结构，来快速的返回距离最近(Nearest Neighbor)的图像点(或者Ranking的多个点)。

    当较小时(10-20),可采用如的结构，但当较大时(一个Discriminative的图像描述向量通常成百上千甚至万维)，其查询时间将随指数级增长，这就是通常所说的维数灾难"the curse of dimensionality", 同时较大时，其所需的存储空间也变的intolerable。因此降维和Approximation NN算法通常会用到当前的检索系统中，ANN搜索就是对于给定的查询点，若数据集中存在点 距其小于距离 ，允许系统返回点 ，where，则称为搜索。

      

      当前图像检索要求快、准、同时可容易的扩展至大规模数据web-scale:

Fast：hashing structure，small code， ANN; 

Accurate: discriminative feature fingerprint; 

Scalable: very little memroy.

    由此可见，紧凑的fingerprint和有效的hash结构对整个检索系统至关重要,目前的图像检索系统中，常采用Hashing技术将高维的图像特征编码为低维的特征,在映射后的 空间中采用一定的距离度量进行Approximation Nearest Neighbors (ANN)搜索:

定义Hash函数集：， 是原始的  维特征空间， 是经hash函数集 散列后的  维空间，根据哈希函数设计的不同，可将Ha