Question

我一直在向google查询有关kd-trees和图像比较的一些材料，但我无法在使用kd-trees进行图像比较的技术之间建立“链接”。首先，我发现一些文章谈论随机kd树的速度提升，然后我被介绍给SIFT。在基本了解了SIFT如何工作之后，我读到了最近邻搜索。

我真正的问题是：如果我有来自SIFT的点网格，那么我为每个图像创建kd树。最近邻搜索如何帮助我比较图像？起初，我认为将图像与树进行比较可以使用一些算法来检查树结构，以及每个点距图像A的距离和图像B中同一节点中的点的距离。

如果问题太愚蠢，请提供材料或搜索主题。

谢谢！

Answer 1

我建议先了解慢速特征匹配，不要使用kdtrees。

输入：1000个参考特征，例如面孔或鲜花;叫这些F1 .. F1000
查询功能问：哪个面部或花卉特征最像，最近，Q？

如你所知， SIFT 将图像特征缩小为128个8位数字，按比例缩放相似度（特征F，特征Q）= 欧几里德距离（SIFT（F），SIFT（Q））。

找到F1 .. F1000最像Q的最简单方法只是看一下F1，F2 ......一个接一个：

# find the feature of F1 .. F1000 nearest Q
nearestdistance = infinity
nearestindex = 0
for j in 1 .. 1000:
    distance = Euclideandistance( SIFT(Fj), SIFT(Q) )  # 128 numbers vs. 128 numbers
    if distance < nearestdistance:
        nearestdistance = distance
        nearestindex = j

（当然，计算循环外的SIFT数。）

A Kdtree 只是一种快速找到附近矢量的方法; 它与正在匹配的几乎没有关系（代表......的数字向量），或如何（欧几里德距离）。现在kdtrees非常快2d，3d ...也许是20d，但可能不比20d以上所有数据的线性扫描快。那么kdtree如何在128d中运行功能呢？主要技巧是尽早退出搜索。 Muja和Lowe的论文， Fast approximate nearest neighbors with automatic algorithm configuration， 2009,10p描述了用于匹配128d SIFT特征的多个随机化kdtrees。（Lowe是SIFT的发明者。）

为了比较两个图像I和Q，人们找到一组特征向量 - 几百到几千个SIFT向量 - 每个，并寻找这些集合的近似匹配。（人们可能会认为图像是分子，特征是原子; 近匹配分子比近匹配原子更难但它有助于快速匹配原子。）

希望这有帮助。

Answer 2

如果您计划在更高维度使用kd-trees进行近似NN搜索，则可能需要在此处查看实验：http://zach.in.tu-clausthal.de/software/approximate_nn/

Answer 3

我建议您提取每个图像的颜色代码值，并使用这些特征向量创建KD树。

您可以使用以下mat实验室代码来提取颜色代码功能。

im = imread('image.jpg');

len = size(im,3);
if(len == 1)
    im = ind2rgb(im, colourMap);
    im = uint8(im.*255);
end

im(logical(  0 <= im & im <=  63)) = 0;
im(logical( 64 <= im & im <= 127)) = 1;
im(logical(128 <= im & im <= 191)) = 2;
im(logical(192 <= im & im <= 255)) = 3;
im = im(:,:,1) * 16 + im(:,:,2) * 4 + im(:,:,3);

imHist = histc(im(:),0:63);

如何将图像与kd-trees和最近邻搜索进行比较/匹配？

3 个答案: