我正在阅读有关图像搜索的文章，现在我已经对特征向量有了基本的了解，并且对旋转不变和尺度不变特征有了非常基本的（绝对不完整）理解。如何查看多采样图像的比例不变性和转角的旋转不变性。
要搜索十亿张图像，尽管无法进行线性搜索。我的大部分阅读似乎都暗示着Kd树被用作分区数据结构以改善查找时间。
Kd树采用什么度量标准？如果使用SIFT，SURF或ORB这样的描述符，则不能保证相似的关键点在特征向量中排成一行，因此我对如何确定“左”或“右”感到困惑，因为使用此类特征时，您需要进行分割基于相似性。我的猜测是距“标准”的欧式距离，然后您进行了可靠的最近邻居搜索，但是想在最近邻居搜索之前输入如何处理KD树中的初始查询。我认为KD树需要在每个维度上比较相似的功能，但是我看不到很多关键点是如何发生的。
在最近的邻居搜索中，我可以找到很多论文，但是大多数人似乎都以为您知道这是如何处理的，因此我在这里遗漏了一些东西。
这很简单。所有这些特征描述符都将图像表示为多维空间中的一个点。为了简单起见，让我们假设您的描述符维度为2。比您所有的图像都映射到两个二维平面上。然后，kd-tree将把该平面分成矩形区域。落在相同区域内的任何图像都将被视为相似图像。
顺便说一下，这意味着实际上彼此靠近但在不同区域（kd树的叶子）中的两个图像不会被视为相似。为了克服这个问题，可以使用余弦相似度代替欧几里得距离。您可以在Wiki中阅读有关该主题的更多信息。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句