我在阅读关于图像搜索的内容,并且我已经到了对特征向量有基本理解的地方,并且对旋转不变和尺度不变特征有一个非常基本的(完全不完整的)理解。如何查看多采样图像的尺度不变性以及旋转不变性的角点。Feature Vector Partioning
要搜索十亿张图像,尽管您无法进行线性搜索。我读的大部分内容似乎都意味着K-d树被用作分区数据结构来改善查找时间。
K-d树分裂的是什么度量?如果使用SIFT,SURF或ORB等描述符,则不能保证类似的关键点在特征向量中排列,所以我很困惑如何确定'左'或'右',因为使用这样的功能时,需要分割基于相似性。我的猜测是距离'标准'的欧式距离,然后你做一个可靠的最近邻居搜索,但是想知道如何在最近邻居搜索之前处理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特征,但我不知道在许多关键点上会发生什么。
我可以找到很多有关最近邻居搜索的论文,但大多数人似乎都假设你知道这是如何处理的,所以我在这里错过了一些东西。
我从来没有在CBIR中工作太多,所以我没有太多补充,但是匹配缩放和旋转不变特征的一种方法是采用一个独特的特征并计算其他特征与之相关的角度它。 –