Java实现LSH（Locality Sensitive Hash ）

　　在对大批量数据进行图像处理的时候，比如说我提取SIFT特征，数据集为10W张图片，一个SIFT特征点是128维，一张图片提取出500个特征点，这样我们在处理的时候就是对5000万个128维的数据进行处理，这样处理所需要的耗时太长了，不符合实际生产的需要。我们需要用一种方法降低运算量，比如说降维。

　　看了一些论文，提到的较多的方法是LSH（Locality Sensitive Hash），就是局部敏感哈希。我们利用LSH方法在5000万个特征点中筛选出极少量的我们需要的特征点，在对这些极少量的数据进行计算，就可以得到我们想要的结果啦。

package com.demo.lsh;

import com.demo.config.Constant;
import com.demo.dao.FeatureDao;
import com.demo.dao.FeatureTableDao;
import com.demo.dao.HashTableDao;
import com.demo.entity.HashTable;
import com.demo.utils.MD5Util;
import com.demo.utils.MathUtil;
import org.opencv.core.Mat;
import org.springframework.util.StringUtils;

import java.io.*;
import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.*;

public class LSH {
    //维度大小，例如对于sift特征来说就是128
    private int dimention = Constant.DIMENTION;
    //所需向量中元素可能的上限，譬如对于RGB来说，就是255
    private int max = Constant.MAX;
    //哈希表的数量，用于更大程度地削减false positive
    private int hashCount = Constant.HASHCOUNT;
    //LSH随机选取的采样位数，该值越小，则近似查找能力越大，但相应的false positive也越大；若该值等于size，则为由近似查找退化为精确匹配
    private int bitCount = Constant.BITCOUNT;
    //转化为01字符串之后的位数，等于max乘以dimensions
    private int size = dimention * max;
    //LSH哈希族，保存了随机采样点的INDEX
    private int[][] hashFamily;
    private HashTableDao hashTableDao;
    /**
     * 构造函数
     */
    public LSH(HashTableDao hashTableDao) {
        this.hashTableDao = hashTableDao;
        dimention = Constant.DIMENTION;
        max = Constant.MAX;
        hashCount = Constant.HASHCOUNT;
        bitCount = Constant.BITCOUNT;
        size = dimention * max;
        hashFamily = new int[hashCount][bitCount];
        generataHashFamily();
    }

    /**
     * 生成随机的投影点 ，在程序第一次执行时生成。投影点可以理解为后面去数组的索引值
     */
    private void generataHashFamily() {
        if (new File("/home/fanxuan/data/1.txt").exists()) {
            try {
                InputStream in = new FileInputStream("/home/fanxuan/data/1.txt");
                ObjectInputStream oin = new ObjectInputStream(in);
                hashFamily = (int[][]) (oin.readObject());
            } catch (IOException e) {
                e.printStackTrace();
            } catch (ClassNotFoundException e) {
                e.printStackTrace();
            }
        }else {
            Random rd = new Random();
            for (int i = 0; i < hashCount; i++) {
                for (int j = 0; j < bitCount; j++) {
                    hashFamily[i][j] = rd.nextInt(size);
                }
            }
            try {
                OutputStream out = new FileOutputStream("/home/fanxuan/data/1.txt");
                ObjectOutputStream oout = new ObjectOutputStream(out);
                oout.writeObject(hashFamily);
            } catch (FileNotFoundException e) {
                e.printStackTrace();
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    }

    //将向量转化为二进制字符串，比如元素的最大范围255，则元素65就被转化为65个1以及190个0
    private int[] unAray(int[] data) {
        int unArayData[] = new int[size];
        for (int i = 0; i < data.length; i++) {
            for (int j = 0; j < data[i]; j++) {
                unArayData[i * max + j] = 1;
            }
        }
        return unArayData;
    }

    /**
     * 将向量映射为LSH中的key
     */
    private String generateHashKey(int[] list, int hashNum) {
        StringBuilder sb = new StringBuilder();
        int[] tempData = unAray(list);
        int[] hashedData = new int[bitCount];
        //首先将向量转为二进制字符串
        for (int i = 0; i < bitCount; i++) {
            hashedData[i] = tempData[hashFamily[hashNum][i]];
            sb.append(hashedData[i]);
        }
        //再用常规hash函数比如MD5对key进行压缩
        MessageDigest messageDigest = null;
        try{
            messageDigest = MessageDigest.getInstance("MD5");
        }catch (NoSuchAlgorithmException e) {

        }
        byte[] binary = sb.toString().getBytes();
        byte[] hash = messageDigest.digest(binary);
        String hashV = MD5Util.bufferToHex(hash);
        return hashV;
    }

    /**
     * 将Sift特征点转换为Hash存表
     */
    public void generateHashMap(String id, int[] vercotr, int featureId) {
        for (int j = 0; j < hashCount; j++) {
            String key = generateHashKey(vercotr, j);
            HashTable hashTableUpdateOrAdd = new HashTable();
            HashTable hashTable = hashTableDao.findHashTableByBucketId(key);
            if (hashTable != null) {
                String featureIdValue = hashTable.getFeatureId() + "," + featureId;
                hashTableUpdateOrAdd.setFeatureId(featureIdValue);
                hashTableUpdateOrAdd.setBucketId(key);
                hashTableDao.updateHashTableFeatureId(hashTableUpdateOrAdd);
            } else {
                hashTableUpdateOrAdd.setBucketId(key);
                hashTableUpdateOrAdd.setFeatureId(String.valueOf(featureId));
                hashTableDao.insertHashTable(hashTableUpdateOrAdd);
            }
        }
    }

    // 查询与输入向量最接近（海明空间）的向量
    public List<String> queryList(int[] data) {
        List<String> result = new ArrayList<>();
        for (int j = 0; j < hashCount; j++) {
            String key = generateHashKey(data, j);
            result.add(key);
            HashTable hashTable = hashTableDao.findHashTableByBucketId(key);
            if (!StringUtils.isEmpty(hashTable.getFeatureId())) {
                String[] str = hashTable.getFeatureId().split(",");
                for (String string : str) {
                    result.add(string);
                }
            }
        }
        return result;
    }

}

 　　

package com.demo.config;

public class Constant {
    //维度大小，例如对于sift特征来说就是128
    public static final int DIMENTION = 128;
    //所需向量中元素可能的上限，譬如对于RGB来说，就是255
    public static final int MAX = 255;
    //哈希表的数量，用于更大程度地削减false positive
    public static final int HASHCOUNT = 12;
    //LSH随机选取的采样位数，该值越小，则近似查找能力越大，但相应的false positive也越大；若该值等于size，则为由近似查找退化为精确匹配
    public static final int BITCOUNT = 32;
}

　　简单的介绍下代码，构造函数LSH（）用来建立LSH对象，hashTableDao为数据表操作对象，不多说;因为局部敏感哈希依赖与一套随机数，每次产生的结果都不一致，所以我们需要在程序第一次运行的时候将随机数生成并固定下来，我采用的方法是存放在本地磁盘中，也可以存放在数据库中。generateHashMap（）方法为数据训练函数，int[] vercotr为特征向量，其他两个参数为我需要的标志位。queryList（）方法是筛选方法。

　　感谢http://grunt1223.iteye.com/blog/944894的文章。