其實以下問題不一定要歸結到sift的內容當中來，因為這是關於特徵點匹配方面的，只是由於我是在看sift的時候接觸到這些，並且也只是有一點粗淺的了解，將一些基礎的總結性的知識儲備在這裡吧。不能算問題，只能是知識點。
2、kd-樹建立。簡單地說，kd-樹是將n維特徵向量按照一定的規則在某一維中劃一條「直線」，將資料分為左右兩個子空間，然後再迭代地進行此過程（個人認為其思想可可能**於二叉樹，o(∩_∩)o）。具體分為以下幾個步驟（非形式化描述）：
（1）確定split域。對所有資料點的各個維度上的資料求方差，選擇方差最大的軸（維）作為split域（即要在這個軸上「開刀」、「畫直線」）。
（2）確定node-data。根據前面所確定的那一維，取所有資料點在這一維上的中值（上取整），作為要分割的資料點，即畫一條通過此點並分割此軸的「直線」。
（3）將資料分為左右兩個子空間，並將此node-data作為其父節點。
（4）重複上述過程直到資料劃分完畢。
至此kd-樹建立好了，kd-樹有以下幾個優點：（1）比較容易刻畫資料的聚簇性質；（2）其切分空間的區域性解析度可以調整；（3）切割面的法向可以調整。
3、最近鄰查詢演算法。kd-樹已經建立，怎樣尋找乙個資料點在kd-樹種的最近鄰點呢？簡單地說（好像還不是很容易一兩句話就說清楚），將資料點按照二叉樹樹的結構依次找，找到「最近點」（此時表示在樹中最近，但是距離並不一定是最近），然後進行回溯，需要將查詢路徑回溯完畢，則可以找出最近距離的點。無疑這裡的回溯過程是影響匹配效率的瓶頸。於是就有了對之所做的改進演算法——bbf（best-bin-first）查詢機制，即在回溯時按照優先順序進行回溯，通過建立優先佇列，可以在任何時候中斷退出查詢過程，並且總能得到比較好的結果，以精度換時間。另外還有一種改進，就是spill-樹，這種樹的不同之處在於在每條「直線」兩邊有乙個「子帶」，如果資料落入了這個子帶之內，則認為已經很接近，不需要再回溯其他節點（具體過程我就沒有關注了）。
4、匹配對提純。匹配好的匹配對並非完全正確，這時需要將匹配錯誤的剔除。
（1）比值提純法。就是利用最近鄰與次近鄰的比值作為閾值進行判斷，lowe的sift就採用這種方法，簡單。
（2）一致性提純法。為了消除錯誤資料的影響，通常有最小中值法（least median of squares，lms），m估計法，mlesac演算法，ransac演算法。其中ransac演算法實現簡單，效能良好，經常被採用。簡單地說，隨機抽樣一致性ransac（random sample consensus）的主要思路是通過取樣和驗證的策略，求解大部分樣本都能滿足的數學模型。即在樣本點中找出計算模型所需的最少樣本數，分別計算出不同的模型（如果有m個樣本，計算模型需要n個，這需要求出
Oracle中的一些細節問題
例 按部門統計各部門員工人數，要求顯示部門號，部門名，人數，並按照降序排列 select d.deptno,count e.empno d.dname from emp e,dept d where e.deptno d.deptno group by d.deptno,d.dname order ...
C 的一些細節
1.c 中，將負數賦值給unsigned是完全合法的。例如，將 1賦值給unsigned char，那麼結果是255.2.c 中，double的精度和計算速度都要超過float，long double則需要承擔額外的執行代價。3.std ou t hi d endl 等價於std out hi 4....
迴圈的一些細節
1 迴圈執行次數相同，大迴圈放在外面還是小迴圈放在外層效率高呢？int end1 10 int end2 100 int end3 1000000 long starttime system.nanotime 開始時間 for int i 1 i end3 i long endtime system...