我们要设计一个系统来高效地发现 近似重复（在相同的站点或非常 类似的场景。请参阅以下两个示例图像。） 大型数据库（即Flickr），包含大约N个用户提供的图像。 （N~ = 2.5亿）。给定数据库中的图像，系统需要 显示数据库中的前K个近似重复图像及其 相应的近似重复分数。你被允许计算 近乎重复的相似性离线。
（1）什么可能是功能表示的好候选人 图像及其相应的距离（或相似度）度量？为什么呢？
（2）计算所有成对的时间复杂度是多少 图像数据库中的相似之处？任何加速的算法 近似重复检测（例如，滤除不相关的图像） 首先是低成本的图像相似度量）？可能是什么 您提出的方法对减少时间复杂度的影响？ 对准确性的任何权衡？
（3）使用您提出的算法，可能是估计的时间 如果将新图像插入数据库（N个图像）的复杂性？
答案 0 :(得分：0)
我们可以在两个不同的部分划分完整的问题，第一部分将处理匹配和最近的会面图像，第二部分将处理时间复杂性和加速系统。
1）最近见面图像的可能性取决于所有可用图像的向量和匹配率，然后质疑为什么向量，因为当我们计算图像比较时，这是我们可以相对选择的第一件事。
2）在进入成对分区之前，我相信巨大数据的分块将是一个很好的，然后pic相似的对计算。但是现在我们需要记住的一点是，如果我们对一个图像进行峰值并对另一个图像进行峰值进行比较，那么它将是需要处理第二个候选图像的复杂算法或标准。
这两种算法在需要比较的行业中广泛使用，并且易于使用matlab和Open-CV（java，c / c ++）实现。现在指出我们如何加速这个完整的任务，我认为实现完整系统的最佳方法是使用分布式系统，并且可以使用Hadoop，Aka等框架工作轻松实现，这也将为您提供选择平台的自由感觉。
算法参考： Scale-invariant feature transform (Keypoint Matching)和 Histogram matching
希望这会有所帮助。