图解BWT FM-Index算法

FM-Index(Full-text Minute Index)是一种用于高效搜索和压缩全文数据的索引结构, 广泛应用于生物信息学和文本检索领域.
它基于 Burrows-Wheeler Transform (BWT) 和辅助数据结构, 能够在压缩存储的同时支持快速的子串搜索, 计数和定位操作.

算法核心

LF 变换是 BWT 算法的核心. FM-Index 使用巧妙的办法来实现 LF 变换.

BWM(Burrows Wheeler Matrix)

BWM 是由源字符串不断循环移位产生的. 可以参考我之前的博客: 图解 BWT(Burrows-Wheeler Transform) 算法.

以"mississippi$"为例, 它的 BWM 矩阵如图所示:

FM-Index 查询字符串

示例 1: 查询字符串"ssi"

在 BWT 字符串中, 查询是倒序进行的. 也就是匹配是从字符'i'开始

1. 第一步: 在 F 行找出所有的以'i'开头的行, 如图所有, 有 4 行. 我们知道这个 BW 矩阵是由S的循环移位产生的, 因此L行的字符出现在对应F行的字符的左边. 具体来说就是这四个'i'与其左侧元素构成的字符串为:

   • ${\text{p}}_0{\text{i}}_0$
   • ${\text{s}}_0{\text{i}}_1$
   • ${\text{s}}_1{\text{i}}_2$
   • m 0 i 3 \textrm{m}_0\textrm{i}_3 m0​i