TinEye是“反向图像搜索引擎”，它允许您上载/链接到图像，并且可以搜索已爬过的十亿张图像，并且它将返回指向已找到的图像的链接。
但是，它不是幼稚的校验和或与此相关的任何东西。它通常能够找到比您提供的原始图像更高分辨率，更低分辨率以及更大或更小的尺寸的图像。这是该服务的很好用处，因为我经常找到一张图像，并希望获得尽可能高分辨率的版本。
不仅如此，我还找到了相同图像集的图像，其中图像中的人物处于不同的位置，但是背景在很大程度上保持不变。
TinEye可以使用哪种类型的算法，使其能够将图像与其他各种大小和压缩率的图像进行比较，而仍然准确地确定它们是“相同”图像或集合？
这些算法通常基于指纹。指纹是一个相当小的数据结构，类似于长哈希码。但是，指纹函数的目标与哈希函数的目标相反。一个好的哈希函数应该为非常相似（但不相等）的对象生成完全不同的代码。相反，指纹功能应该为相似的图像生成相同的指纹。
仅举一个例子，这是一个（不是特别好）的指纹功能：将图片调整为32x32正方形，对颜色进行标准化和量化，将颜色数量减少到256之类。然后，您拥有1024字节的指纹为图像。只需保留一张指纹表=> [图像URL列表]。当您需要查看与给定图像相似的图像时，只需计算其指纹值并找到相应的图像列表即可。简单。
并非易事- 要在实践中有用，指纹功能必须对作物，仿射变换，对比度变化等具有鲁棒性。构建良好的指纹功能是一个单独的研究主题。通常，它们是手动调整的，并且使用了很多启发式方法（即，使用有关典型照片内容，图像格式/ EXIF中其他数据的知识等）。
另一种变化是使用多个指纹功能，尝试应用每个指纹功能并组合结果。实际上，这类似于查找相似的文本。图像相似性搜索使用“指纹袋”代替“单词袋”，并查找一个袋中的元素与另一个袋中的元素相同。如何提高搜索效率是另一个主题。
现在，关于文章/论文。我找不到一篇很好的文章来概述不同的方法。我知道的大多数公开文章都讨论了对特定方法的特定改进。我可以建议检查以下内容：
“使用小波的内容指纹识别”。本文是关于使用小波的音频指纹识别，但是相同的方法可以适用于图像指纹识别。
置换分组：用于音频和图像检索的智能哈希函数设计。有关局部敏感哈希的信息。
大规模部分重复Web图像搜索的捆绑功能。一篇非常好的文章，讨论了SIFT和捆绑功能以提高效率。最后还有一个不错的书目
