在上一節瞭解了ANN的背景，簡單介紹了hash的演算法，那基於hash的ANN框架是怎樣的呢？

框架圖

框架說明

基於hash的ANN主要有四個步驟，包括特徵提取、hash編碼（學習+編碼）、漢明距離排序、重排序。

1、特徵提取
有查詢影象和影象資料庫，需要對這兩類分別處理，對查詢影象和資料庫中的影象逐一提取有用的特徵，把檔名和特徵一一對應的新增到特徵庫中。

2、hash編碼（學習+編碼）
特徵提取後的維數有很多，需要對其進行壓縮再匹配，這是hash編碼的意義。hash編碼自然要使用hash函式，在大規模高維資料下，hash函式使用hash學習的方法獲得，則該部分內容分為hash學習和hash編碼階段。Hash學習階段，可將特徵庫分為訓練集和測試集，評估測試hash函式。正式的編碼階段，將特徵庫的每個特徵點代入到hash函式中，得到hash編碼。

3、漢明距離排序
在獲得hash編碼之後，經過漢明距離排序，就可以完成粗查詢，得到粗查詢之後的候選列表。對查詢影象的hash碼和編碼之後的特徵庫hash碼比對距離（這裡使用漢明距離），按照從小到大的方式相似性排序，可以獲得指定個數的候選點或者距離在某一範圍內的n個候選點。

4、重排序
粗查詢之後獲得的n個候選點，在原始特徵空間上，根據相似性重排序（這裡採用歐式距離），返回最後的候選列表。

注意

以上步驟中，雜湊學習演算法在第二步雜湊編碼中應用，雜湊過程可視為一個篩選樣本和粗查詢的過程，則評價雜湊演算法的好壞限於該過程，不包括重排序階段。
ANN中是包括這一步的。

參考連結：