我一直在查询谷歌有关kd-trees和图像比较的一些材料，但是我无法制作使用kd-tree进行图像比较的工艺之间的'链接'。首先，我发现一些文章谈论随机化kd树的速度改进，然后我被介绍给SIFT。基本了解SIFT如何工作后，我读了最近邻居搜索。它如何比较/匹配图像与kd-trees和最近邻居搜索？
我真正的问题是：如果我有一个来自SIFT的点的网格，那么我为每个图像创建一个kd-tree。最近邻居搜索如何帮助我比较图像？起初，我认为比较图像与树会使用一些检查树结构的算法，以及每个点来自图像A与图像B中同一节点上的点的距离有多近。
如果问题是太愚蠢，请建议材料或一些主题进行搜索。
谢谢！
我建议先理解慢特征匹配，不用kdtrees。
大家知道， SIFT 减少图像特征128的8位数字，缩放，使得
相似性（特征F，特征Q）= 欧几里得距离（SIFT（F），SIFT （Q））。
发现其F1的.. F1000是最想让Q 只是一个看F1，F2 ...一个最简单的方法：
# 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
（当然一个计算SIFT号在环外）
A Kdtree 只是一种快速找到附近载体的方法; 它与什么正在匹配 （向量的数字代表...），或如何（欧几里德距离）。 现在kdtrees对于2d，3d ...非常快，可能高达20d， ，但可能不会比20d以上的所有数据的线性扫描更快。 那么kdtree如何为128d中的功能工作？主要诀窍是尽早退出搜索。 Muja和Lowe的文章 Fast approximate nearest neighbors with automatic algorithm configuration, 2009,10p描述了用于匹配128d SIFT特征的多个随机kdtrees。 （罗威是SIFT的发明者。）
要比较两个图像I和Q，人们发现了一组特征向量 - 几百高达几千SIFT向量 - 每个， 并查找接近这些集合的匹配。 （可以将图像想象成分子，作为原子的特征; 近似匹配的分子是很多比近似匹配的原子更难， ，但它有助于能够快速匹配原子。）
希望这会有所帮助。
如果您在使用KD树的高维近似NN搜索计划，你可能想在这里回顾实验：http://zach.in.tu-clausthal.de/software/approximate_nn/
我建议你来提取每个图像的颜色代码值，并创建一个KD树使用这些特征向量。
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);
我同意尊重kdtree，sift，surf ..等等，我认为我们可以通过Google Talk或其他任何方式联系并谈论这个问题。与我联系：http://codepad.org/TmazIhsY :) – Wiliam 2011-08-13 11:49:20