本研究對於影像檢索的概念為與查詢影像最相似的資料庫影像，其共同擁有相似特 徵區域數量與其他資料庫影像相比會最多。
利用此一概念，先對查詢影像利用第二章的方法偵測MSER 橢圓特徵區域，計算對 應的Zernike Moment 特徵向量，包含強度與相位兩向量，對於查詢影像的每一個特徵區 域，利用kd-tree 的索引結構，將資料庫中與其最相似的一個(一些)特徵區域找出來，最 後統計資料庫中各張影像擁有與查詢影像相似的特徵區域數，取最高票的一張影像所屬 的建築物，當作辨識的輸出。
4.1 kd-tree 最近點搜尋與範圍搜尋
4.1.1 利用 kd-tree 找強度最接近的特徵向量
資料庫中所有的特徵區域都以Zernike Moment 的強度(magnitude)與相位(phase)來 表示，將資料庫中的特徵區域利用強度做分群，以各群的平均強度當作各群的代表，由
庫中的特徵向量。
(2)重新走一次 kd-tree，從根節點開始，當遇到一個節點時，比較 和分割的中位數 mh(平面)的距離與 dapproximate的大小：
a. 若 dapproximate較大，表示kd-tree 的兩子樹皆有可能出現比 dapproximate還近的點，
兩邊都要繼續檢查，如圖27
b. 若 dapproximate較小，表示分割平面的另一邊不會出現比dapproximate還近的點，只需 檢查magq
所在的子樹即可，如圖28。
圖27、當 approximate nearest distance 比 到分割平面的距離大的示意圖。
圖28、當 approximate nearest distance 比magq
到分割平面的距離小的示意 圖。
(3)利用(2)可以將不可能含有更近點的空間排除，如圖 29，當找到葉節點時，判斷 與葉節點包含的點之座標的距離是否小於dapproximate，若此距離較小，則找到的為更近的
點，更新dapproximate的值與記錄目前找到最近點的座標。
magq
magq
magq
圖29、排除掉不可能含有更近點的空間。 含的點，稱此範圍為一個限定範圍的盒子(bounding box)，找尋方法如 4.1.1 的步驟(2)~(4)，
經過每個kd-tree 的內部節點時，判斷左子樹或右子樹是否可能含有範圍內的點，排除
4.2 建築物檢索結果的產生
由4.1 節所述的機制可以快速找到資料庫與magq
距離最近的點(最近點)或是附近的 一群點(接近點)，因為是歐式距離相對較近，並不代表特徵向量實際上夠相似，因此，
需要進一步判斷此最近點(接近點)的特徵向量與magq
的相似度，使用2.2.2 節的強度相 似度計算方法，當相似度大於一門檻值，就視兩特徵區域為相像，經驗值為0.85~0.9。
當滿足相像條件，就給此資料庫特徵向量所在的影像一票，若不滿足相似條件，代表此 特徵區域並無出現在資料庫中，便不投票。
若在不用DBSCAN 特徵分群的情況下，可以再進一步檢查相位的相似度，當找到 強度特徵向量的最近點(接近點)時，檢查同一個特徵區域的相位向量，計算強度相似度 與相位相似度，當兩者都大於門檻值時，才算滿足相像條件，相位的相似度門檻值經驗 值為0.75~0.85。
查詢影像中每一個特徵區域都按照上述機制，找到資料庫中最相似(接近)的特徵區 域，並且投票，最後計算得票數，每張資料庫中的影像都會有一個得票數，得票數最大 的影像代表與查詢影像含有最多相似區域，其所代表的建築物當作辨識的結果。