课程笔记-三维点云处理02 ——Nearest Neighbor Problem

课程笔记-三维点云处理02 ——Nearest Neighbor Problem

本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记
课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！

本文主要为课程第二章的笔记！

课程链接：

三维点云处理——深蓝学院

目录

正式内容:
####################################################

最邻近问题（NN problems）

本节课主要讲最邻近问题(Nearest Neighbor Problem)
用来找一个点离他比较近的点
处理的主要方法一个是KD树，一个是八叉树，本节课主要就是讲这两个方面，但是讲这两个方面之前还会讲一下二叉树

方法概述

一般常见的两种方法就是K-NN 和R-NN
如上图所示 一个是根据距离排序，另一个是给定区域内搜索 是两种不同的思路

NN问题的重要性

对于点云处理来说，最邻近问题是一个基本且重要的问题，因为点云的特征信息就储存在点云的位置信息中，所以这个问题是非常基本的且常用的。
目前开源的库有很多，但是库里面集成的最临近算法都不够快（不知道为什么）

NN问题对于处理点云的困难点

主要有以下原因：

1. 点云不像图像像素，是有规则排列的，具有无序性
2. 点云存在在三维空间坐标中，比二维的要高，处理计算量要大一个数量级
3. 按照网格化来划分的话，点云会存在很多空白的网格，而且处理起来效率很低
4. 算法事实上运行起来非常大，比较吃力。

本节课结构

1. 二叉树
2. KD树
3. 八叉树（专门为3D空间结构设计（因为2的3次方是8）） 相比于KD树更加适合三维

算法的核心思想：空间分割

space partition 空间分割是这三个算法的核心思想
比较直观的理解，寻找一个点的临近点时，肯定不能漫无目的的搜索，而是要首先在他的周围进行寻找。 这就是空间分割的原理

K-NN问题 ：就是找他最近的K个点的意思

worst distance: 就是目前查找到的最远的点。 也就是说，如果查找的是K-NN问题的话，如果已知有K个点了，且其中最远的点的距离为x，那么这个x就是 worst distance，也就是说，不用在worst distance以外查找，只需要在这个距离里面查找就行了（因为在这个距离外面就算找到了也是没有意义的）

核心任务提炼

1. 怎样对空间进行分割
2. 如何去判断以及跳过搜索空间
3. 如何去判断何时停止搜索

Binary Search Tree

认识二叉树

二叉树就是一个数分两个叉，跟两个数建立联系
但是这种联系是有规律的：

1. 一个二叉树节点有且最多有两个分支

2. 在划分分支的时候，小的放左边，大的放右边

二叉树早在计算机科学的开端就已经被提出使用了（是计算机一些很基础的数据结构）
很多算法岗在找工作的时候也会被问到 怎么搜索或遍历一