Libpuzzle Indicizzare milioni di immagini?

Quindi, diamo un'occhiata all'esempio che danno e proviamo a espandere.

Supponiamo di avere una tabella che memorizza le informazioni relative a ciascuna immagine (percorso, nome, descrizione, ecc.). In quella tabella, includerai un campo per la firma compressa, calcolata e archiviata al momento della compilazione iniziale del database. Definiamo quella tabella così:

CREATE TABLE images (
    image_id INTEGER NOT NULL PRIMARY KEY,
    name TEXT,
    description TEXT,
    file_path TEXT NOT NULL,
    url_path TEXT NOT NULL,
    signature TEXT NOT NULL
);

Quando calcoli inizialmente la firma, calcolerai anche un numero di parole dalla firma:

// this will be run once for each image:
$cvec = puzzle_fill_cvec_from_file('img1.jpg');
$words = array();
$wordlen = 10; // this is $k from the example
$wordcnt = 100; // this is $n from the example
for ($i=0; $i<min($wordcnt, strlen($cvec)-$wordlen+1); $i++) {
    $words[] = substr($cvec, $i, $wordlen);
}

Ora puoi inserire quelle parole in una tabella, così definita:

CREATE TABLE img_sig_words (
    image_id INTEGER NOT NULL,
    sig_word TEXT NOT NULL,
    FOREIGN KEY (image_id) REFERENCES images (image_id),
    INDEX (image_id, sig_word)
);

Ora inserisci in quella tabella, anteponendo l'indice di posizione in cui è stata trovata la parola, in modo da sapere quando una parola corrisponde che corrispondeva nello stesso punto della firma:

// the signature, along with all other data, has already been inserted into the images
// table, and $image_id has been populated with the resulting primary key
foreach ($words as $index => $word) {
    $sig_word = $index.'__'.$word;
    $dbobj->query("INSERT INTO img_sig_words (image_id, sig_word) VALUES ($image_id,
        '$sig_word')"); // figure a suitably defined db abstraction layer...
}

I tuoi dati così inizializzati, puoi catturare immagini con parole corrispondenti in modo relativamente semplice:

// $image_id is set to the base image that you are trying to find matches to
$dbobj->query("SELECT i.*, COUNT(isw.sig_word) as strength FROM images i JOIN img_sig_words
    isw ON i.image_id = isw.image_id JOIN img_sig_words isw_search ON isw.sig_word =
    isw_search.sig_word AND isw.image_id != isw_search.image_id WHERE
    isw_search.image_id = $image_id GROUP BY i.image_id, i.name, i.description,
    i.file_path, i.url_path, i.signature ORDER BY strength DESC");

Potresti migliorare la query aggiungendo un HAVING clausola che richiede una strength minima , riducendo così ulteriormente il tuo set di corrispondenza.

Non garantisco che questa sia la configurazione più efficiente, ma dovrebbe essere più o meno funzionale per ottenere ciò che stai cercando.

Fondamentalmente, suddividere e memorizzare le parole in questo modo consente di eseguire un controllo approssimativo della distanza senza dover eseguire una funzione specializzata sulle segnature.