基於KD-TREE的高資料量最近鄰居搜尋法

淡江大學機構典藏 > 工學院 > 資訊工程學系暨研究所 > 學位論文 > Item 987654321/77462

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: https://tkuir.lib.tku.edu.tw/dspace/handle/987654321/77462

题名:	基於KD-TREE的高資料量最近鄰居搜尋法
其它题名:	KD-TREE based nearest neighbor search for large quantity data
作者:	謝雅如;Hsieh, Ya-Ju
贡献者:	淡江大學資訊工程學系碩士班顏淑惠;Yen, Shwu-Huey
关键词:	特徵點;KD-樹;KDA;最近鄰居搜尋;影像拼接;Feature Point;KD-Tree;Arbitrary KD-tree (KDA);Nearest Neighbor (NN);Image Stitching
日期:	2012
上传时间:	2012-06-21 06:47:06 (UTC+8)
摘要:	尋找事先未經訓練的最近鄰居，有許多的應用，例如: 馬賽克圖片，影像匹配，影像檢索，影像縫合。當資料量是大量的而且資料的維度高，如何有效地找到最近的鄰居就顯得非常重要。在這篇文章中，我們比較若干KD-樹的變化型以搜索最近鄰居。基於合成資料的測試，我們得出的結論是 KD樹的方法運作在有相關性資料比運作在不相連性的隨機資料好。還有，利用影像產生SIFT特徵點的測試，我們得出本文所提出的方法KDA以演算法分析其計算複雜度，比傳統的KD-Tree省下不少執行效能。最後，我們結合本文所提出的方法加以應用到影像拼接上。 Finding nearest neighbors without training in advance has many applications, such as image mosaic, image matching, image retrieval, and image stitching. When the quantity of data is huge and dimension is high, how to efficiently find the nearest neighbor (NN) becomes very important. In this article, we propose a variation of the KD-tree, Arbitrary KD-tree (KDA) which build tree without evaluate variances. Multiple KDA not only can be built efficiently it also processes an independent tree structures when data is large. Tested by extended synthetic databases and real-world SIFT data, we concluded that KDA method has advantages of satisfying accuracy performance in NN problem as well as computation efficiency.
显示于类别:	[資訊工程學系暨研究所] 學位論文

文件中的档案:

档案	大小	格式	浏览次数
index.html	0Kb	HTML	338	检视/开启

在機構典藏中所有的数据项都受到原著作权保护.

TAIR相关文章

数据加载中.....