opencv flann模块：knn搜索给出奇怪结果的分层kmeans树

我有大约130000个SIFT描述符。我正在使用Opencv的flann模块构建一个层次化的Kmeans索引。在此之后，我想量化这130000个描述符（稍后将进一步量化）。我正在使用flann的knnsearch方法来做这件事。但这种方法的结果有些奇怪。对于每个描述符，它显示的最近的索引是描述符本身的索引。但是，它应该显示最近集群的集群ID，该集群将是HIK树的叶子之一

我应该试试k=2吗

下面是一段代码片段-

 int k=1;
 cv::flann::KMeansIndexParams indexParams(8,4,cvflann::FLANN_CENTERS_KMEANSPP) ;
 cv::flann::Index hik_tree(cluster_data, indexParams);
 Mat indices,dist;
 hik_tree.knnSearch(cluster_data, indices, dist, k, cv::flann::SearchParams(64));

---

knnSearch

正在索引中查找k个最近邻（它不提供集群ID！）。您使用

cluster\u数据

构建索引，然后尝试将

cluster\u数据

与自身进行匹配。在这种情况下，毫不奇怪，每个描述符的最近邻居是它自己

编辑：如果要获取中心，请查看以下内容（从FLANN库的源代码）：

/**
*使用KMeans++论文中提出的算法选择初始中心：
*亚瑟，大卫；Vassilvitskii，Sergei-k-means++：小心播种的优势
*/
模板
类KMeanspCenterChooser:公共中心选择器
{
...

k-NN是一种监督分类算法，这就是为什么要用训练样本构造一个

索引

对象，所以使用

cv:：flann:：索引hik_树（样本、索引参数）

而不是

cv:：flann:：索引hik_树（集群数据，索引参数）

---

那我怎么才能得到最近的聚类呢？是radiussearch方法吗？我想一直到索引的叶子

/**
 * Chooses the initial centers using the algorithm proposed in the KMeans++ paper:
 * Arthur, David; Vassilvitskii, Sergei - k-means++: The Advantages of Careful Seeding
 */
template <typename Distance>
class KMeansppCenterChooser : public CenterChooser<Distance>
{
...