重复的图像检测算法？
我正在考虑为图像创建一个数据库系统，用紧凑的签名存储这些图像，然后与“查询图像”进行匹配，“查询图像”可以是存储图像的resize，裁剪，增亮，旋转或翻转版本。 请注意，我不是在谈论图像相似度算法，而是严格来说是重复检测。 这会使事情变得简单得多。 系统不关心两个图像是否有大象，只检测这两个图像是否实际上是同一图像。
直方图比较根本不适用于裁剪的查询图像。 我看到唯一可行的方法是形状/边缘检测。 首先，图像将以某种方式离散化，例如，每个像素被转换为8级灰度。 离散化的图像将包含相同颜色的大区域，这有助于指示形状。 然后可以用系数描述这些形状，并且可以记住它们的相对位置。 紧凑的签名将由此产生。 当必须进行比较时，将对存储的每个图像以及每个查询图像执行该处理。 这听起来像一个有效和可实现的算法？ 为了说明这个想法：
删除了死的ImageShack链接
我知道这是一个不成熟的研究领域，我已经阅读了关于这个主题的维基百科，我会请你提出你对这种算法的想法。
SURF应该做好自己的工作。
http://en.wikipedia.org/wiki/SURF
它快速稳健，在旋转和缩放以及blure和对比度/闪电方面都是不变的（但不是那么强烈）。
有自动全景拼接的例子。
首先查看SIFT上的文章
http://en.wikipedia.org/wiki/Scale-invariant_feature_transform
如果你想做一个特征检测驱动模型，你可以采用图像的奇异值分解 （你可能不得不为每种颜色做一个SVD）并使用U和V矩阵的前几列以及相应的奇异值来判断图像的相似程度。
与SVD方法非常相似的是一种称为主成分分析 ，我认为它可以更容易用于比较图像。 PCA方法非常接近于仅采用SVD并通过将它们分解为U和V矩阵来消除奇异值。 如果您遵循PCA路径，您可能还需要查看对应分析 。 顺便说一下，PCA方法是Netflix奖中用于提取特征的常用方法。
如何将这个python代码转换回C？
查看tineye.com他们有一个很好的系统，一直在改进。 我相信你可以找到关于这个主题的研究论文。
您可能在维基百科上提到的有关特征检测的文章 。
如果您在Intel / AMD处理器上运行，则可以使用Intel Integrated Performance Primitives访问图像处理function库。 除此之外，还有OpenCV项目，还有另一个图像处理函数库。 使用库的优点是，您可以尝试已经实现的各种算法，以查看适用于您的情况的内容。