我一直在查詢谷歌有關kd-trees和圖像比較的一些材料，但是我無法制作使用kd-tree進行圖像比較的工藝之間的'鏈接'。首先，我發現一些文章談論隨機化kd樹的速度改進，然後我被介紹給SIFT。基本瞭解SIFT如何工作後，我讀了最近鄰居搜索。它如何比較/匹配圖像與kd-trees和最近鄰居搜索？
我真正的問題是：如果我有一個來自SIFT的點的網格，那麼我爲每個圖像創建一個kd-tree。最近鄰居搜索如何幫助我比較圖像？起初，我認爲比較圖像與樹會使用一些檢查樹結構的算法，以及每個點來自圖像A與圖像B中同一節點上的點的距離有多近。
如果問題是太愚蠢，請建議材料或一些主題進行搜索。
謝謝！
我建議先理解慢特徵匹配，不用kdtrees。
大家知道， SIFT 減少圖像特徵128的8位數字，縮放，使得
相似性（特徵F，特徵Q）= 歐幾里得距離（SIFT（F），SIFT （Q））。
發現其F1的.. F1000是最想讓Q 只是一個看F1，F2 ...一個最簡單的方法：
# 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
（當然一個計算SIFT號在環外）
A Kdtree 只是一種快速找到附近載體的方法; 它與什麼正在匹配 （向量的數字代表...），或如何（歐幾里德距離）。 現在kdtrees對於2d，3d ...非常快，可能高達20d， ，但可能不會比20d以上的所有數據的線性掃描更快。 那麼kdtree如何爲128d中的功能工作？主要訣竅是儘早退出搜索。 Muja和Lowe的文章 Fast approximate nearest neighbors with automatic algorithm configuration, 2009,10p描述了用於匹配128d SIFT特徵的多個隨機kdtrees。 （羅威是SIFT的發明者。）
要比較兩個圖像I和Q，人們發現了一組特徵向量 - 幾百高達幾千SIFT向量 - 每個， 並查找接近這些集合的匹配。 （可以將圖像想象成分子，作爲原子的特徵; 近似匹配的分子是很多比近似匹配的原子更難， ，但它有助於能夠快速匹配原子。）
希望這會有所幫助。
如果您在使用KD樹的高維近似NN搜索計劃，你可能想在這裏回顧實驗：http://zach.in.tu-clausthal.de/software/approximate_nn/
我建議你來提取每個圖像的顏色代碼值，並創建一個KD樹使用這些特徵向量。
您可以使用以下mat實驗室代碼來提取顏色代碼功能。
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);
我同意尊重kdtree，sift，surf ..等等，我認爲我們可以通過Google Talk或其他任何方式聯繫並談論這個問題。與我聯繫：http://codepad.org/TmazIhsY :) – Wiliam 2011-08-13 11:49:20