《多维与度量数据结构基础》系统地收集和整理了近年来地理数据库、多媒体技术、图像处理、数据挖掘与分析等领域里著名的数据结构和算法，无论是站在基础知识学习的角度，还是站在科学研究的角度看，它都是一本弥足珍贵的参考书。也正是出于对本书价值的以上认识，我们把它翻译成中文，即大家所看到的这本《多维与度量数据结构基础》。

在数据结构领域，Hanan Samet教授是公认的集大成者和国际著名学者。他对前面提到的诸多研究领域的丰富成果进行汇集，把它们归纳为多维空间数据的表示、组织、索引及查找等重要研究方向，其涉及的问题源自于各种实际应用，并从理论的角度得以抽象和统一。他在书中对相关算法和数据结构性能优劣的分析，为纷繁复杂的实际应用问题的成功解决提供了十分有益的启迪。因此，本书不仅能为我们了解相关领域最新进展提供重要的参考，也必将为有志于相关研究的读者提供方向性的指导。此外，得益于其翔实而精辟的讲解、数量众多而形象生动的插图、要点突出且启发性与挑战性兼具的习题、全面而系统的参考索引，本书也是难得的绝佳教材。

《多维与度量数据结构基础》的出版，终于令纷繁多样的空间与多维索引方法得以统一连贯起来。Hanan Samet乃是“空间数据索引”领域的资深权威。其早先出版的另两本专著，在过去的20年内已成为重要的文献。《多维与度量数据结构基础》则进一步整合了这些工作，并将此领域拓展至度量空间中的信息索引和查找。

《多维与度量数据结构基础》内容综合全面，却又不失为一本系统讲解相关思路的好教材。《多维与度量数据结构基础》由点、物体、矩形等多维区间、高维数据等4大章组成，叙述简明翔实，各节配有习题，且在最后给出了详细解答。

通晓《多维与度量数据结构基础》绝非一日之功，对于那些有志于驾驭空间数据、科学计算数据场、体查询等图形学和视觉问题、数据挖掘中常见的高维数据场的人们而言，此书无疑足无价之宝。

第1章 多维点数据

 1.1 引言

 1.2 区域树

 1.3 优先搜索树

 1.4 四叉树

1.4.1 点四叉树

1.4.2 基于前缀树的四叉树

1.4.3 点四叉树与基于前缀树的四叉树之间的比较

 1.5 k-d树

1.5.1 点k-d树

1.5.2 基于前缀树的k-d树

1.5.3 结合树

 1.6 一维排序

 1.7 桶方法

1.7.1 树目录方法

1.7.2 网格目录方法

1.7.3 存储利用率

 1.8 pk-树

1.8.1 动机

1.8.2 概述

1.8.3 定义

1.8.4 和桶式方法的比较

1.8.5 操作

1.8.6 讨论

 1.9 结论

第2章 基于物体与基于图像的图像表示

 2.1 基于内部的表示

2.1.1 单位大小的单元

2.1.2 块

2.1.3 非正交块

2.1.4 任意形状的物体

2.1.5 分层的基于内部的表示

 2.2 基于边界的表示

2.2.1 边界模型

2.2.2 基于图像的边界表示

2.2.3 基于物体的边界表示

2.2.4 基于表面的边界表示

 2.3 基于差别的压缩方法

2.3.1 行程编码

2.3.2 链码

2.3.3 顶点表示

 2.4 历史回顾

第3章 区间及小矩形

 3.1 平面扫描法与矩形求交问题

3.1.1 线段树

3.1.2 区间树

3.1.3 优先搜索树

3.1.4 其他方法及相关问题

 3.2 平面扫描法与测度问题

 3.3 基于点的方法

3.3.1 代表点

3.3.2 代表点集合

3.3.3 小结

 3.4 基于区域的方法-

3.4.1 mx-cif四叉树

3.4.2 mx-cif四叉树的替代方案

3.4.3 多四叉树块表示法

第4章 多维数据

 4.1 最佳优先的最近邻查找

4.1.1 动机

4.1.2 搜索层次

4.1.3 算法

4.1.4 重复对象实例算法

4.1.5 算法扩展(k-最近、k-最远、轮廓)

4.1.6 空间网络中的最近邻

4.1.7 相关工作

 4.2 深度优先的k-最近邻查找

4.2.1 基本算法

4.2.2剪枝规则

4.2.3 聚类法对剪枝的影响

4.2.4 活跃表元素的处理次序

4.2.5 改进的算法

4.2.6 在最佳优先算法中整合maxnearestdist

4.2.7 实例

4.2.8 比较

 4.3 近似的最近邻查找

 4.4 多维索引法

4.4.1 x-树

4.4.2 包围球法：sphere树、ss树、ball树、sr树

4.4.3 提高扇出：tv-树、混合树和a树

4.4.4 基于voronoi图的方法：os-树

4.4.5 近似voronoi图(avd)

4.4.6 避免所有叶块的交叠

4.4.7 金字塔技术

4.4.8 基于顺序扫描的方法

 4.5 基于距离的索引法

4.5.1 距离度量与搜索剪枝

4.5.2 球划分法

4.5.3 广义超平面划分法

4.5.4 m-树

4.5.5 sa-树

4.5.6 knn图(k近邻图)

4.5.7 距离矩阵法

4.5.8 sash：无需借助三角不等式的索引

 4.6 降维法

4.6.1 降维空间中的搜索

4.6.2 仅用一维

4.6.3 代表点法

4.6.4 变换为不同、更小的特征集

4.6.5 小结

 4.7 嵌入法

4.7.1 概述

4.7.2 lipschitz嵌入

4.7.3 fastmap

4.7.4 位置敏感散列法

附录a b-树概览

附录b 线性散列

附录c 螺旋散列

附录d 伪代码语言描述

习题解答

参考文献

关键词索引