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

最新推荐文章于 2023-03-07 14:44:02 发布
最新推荐文章于 2023-03-07 14:44:02 发布
阅读量1.4k 收藏 14
点赞数 5
分类专栏： 课程笔记 文章标签： 算法 python 拓扑学 深度学习 slam
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Jason_____Wang/article/details/114526691
版权

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

在这里插入图片描述
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

在这里插入图片描述
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

在这里插入图片描述
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

在这里插入图片描述

  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

在这里插入图片描述
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

在这里插入图片描述
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 怎么搜索或遍历一个二叉树

二叉树定义

在这里插入图片描述一个二叉树由三个部分组成：左边界点 右边节点 储存值 key（储存一些比如源文件路径之类的信息）

因此在计算机里面可以对其进行一个赋值 如上图定义一个二叉树类

二叉树插入数值

在这里插入图片描述
总结起来很简单，就是从二叉树的头开始判断，如果比他小就判断左边，如果比他大就判断右边，最后填充到二叉

最低0.47元/天 解锁文章
Jason_____Wang
关注
  • 5
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
课程笔记-三维点云处理01 ——Introduction and Basic Algorithms
Jason_____Wang的博客
02-28 1629
课程笔记-三维点云处理01 ——Introduction and Basic Algorithms 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！！ 本文主要为课程第一章的笔记！ 课程链接： 三维点云处理——深蓝学院 正式内容: #################################################### Course outline and prerequis
三维点云处理之最近邻问题
LDST_CSDN的博客
04-26 1784
本系列文章是关于三维点云处理的常用算法，深入剖析pcl库中相关算法的实现原理，并以非调库的方式实现相应的demo。
Traveling-Salesman-Problem---Nearest-Neighbor.rar_Arranged_route
07-15
Nearest Neighbour algorithm for a TSP with 7 cities. The solution changes as the starting point is changed The nearest neighbour (NN) algorithm (a greedy algorithm) lets the salesperson choose the nearest unvisited city as his next move. This algorithm quickly yields an effectively short route. For N cities randomly distributed on a plane, the algorithm on average yields a path 25 longer than the shortest possible path.[17] However, there exist many specially arranged city distributions which make the NN algorithm give the worst route (Gutin, Yeo, and Zverovich, 2002). This is true for both asymmetric and symmetric TSPs (Gutin and Yeo, 2007).
CS231n课程笔记——Nearest Neighbor分类器 示例代码相关文件
09-13
CS231n课程笔记中提到的Nearest Neighbor分类器，笔记中有代码片段，将其组合成可以运行的py文件。Python版本：2.7
ruike-三维点云处理
11-17
睿慕课-三维点云处理课程，详细请查看https://editor.csdn.net/md/?articleId=121387393
深蓝学院-----3D点云课程第一章笔记
weixin_47343723的博客
08-06 864
深蓝学院点云学习
最近邻问题Nearest Neighbor Problem
点云兔子的博客
03-07 613
八叉树半径搜索的速度比八叉树半径搜索要慢，这是由半径的数值造成的。如果查询球的半径非常小，搜索可能不会提前停止，而是在检查停止标准上浪费额外的时间。在一个新的实验中，我把半径的值从1增加到5。由于查询球变得更大，它更容易完全包含一个八边形，从而更早地停止。结果，八边形半径搜索快速花费17.848毫秒，八边形半径搜索花费22.021毫秒。在这种情况下，八度半径搜索快速比八度半径搜索更有效率。112。
【计算机科学】【2013.11】基于知识的三维点云处理
weixin_42825609的博客
05-04 196
本文为法国勃艮第大学（作者：Quoc Hung TRUONG）的毕业论文，共143页。 通过捕获三维数字数据对真实场景进行建模，已被证明在各种工业和测量应用中既有用又适用。整个场景通常由激光扫描仪捕捉，并由庞大的无组织点云表示，可能还有额外的摄影测量数据。处理这些点云和数据的一个典型挑战在于检测、分类场景中的对象。除了存在噪声、遮挡和丢失数据外，这些任务通常还受到同一数据集内和从一个数据集到另一...
【学习笔记】深蓝学院-三维点云处理
麒麒哈尔的博客
07-09 6688
文章目录PCA & Kernel PCASuface Normal & Filters PCA & Kernel PCA Kernel PCA可以理解为，先通过非线性变换，将点云投影到高维空间中，然后在高维空间中做PCA。但这个非线性变换函数很难找，所以通过数学变换，改写，用核方法表示。使用常用的，多项式的核，高斯的核就可以实现Kernel PCA。 Suface Normal & Filters Surface Normal就是PCA中中最后一维的向量，将点云做PCA，最后
激光点云处理的学习之路（深蓝学院）
yz9521的博客
01-17 929
一、配置环境 环境搭建 1. Ubuntu18.04 安装 Anaconda3 https://blog.csdn.net/qq_15192373/article/details/81091098 2. Ubuntu 18.04 Anaconda使用 https://blog.csdn.net/guolindonggld/article/details/82595473 3. Anaconda使用总结 https://www.jianshu.com/p/2f3be7781451 4. 【点云处...
MATS.zip_k-nearest neighbor _time series
09-21
this toolbox can be used for Computation of Multiple Measures on Time Series Data Bases
Python机器学习k-近邻算法(K Nearest Neighbor)实例详解
09-20
主要介绍了Python机器学习k-近邻算法(K Nearest Neighbor),结合实例形式分析了k-近邻算法的原理、操作步骤、相关实现与使用技巧,需要的朋友可以参考下
k-Nearest Neighbor Classification
03-10
this paper, the problem of classifying an unseen pattern on the basis of its nearest neighbors in a recorded data set is addressed from the point of view of Dempster-Shafer theory. Each neighbor of a ...
三角形插值技术
qq_35045096的博客
07-11 9755
1.最懒的方法——Nearest Neighbor 对于三角形内的点，离三个顶点谁最近，就赋值为那个顶点对应的颜色。 2.最天真的方法——Distance 三角形内一点的值应该来自于三个顶点。 计算距离： 定义权重： 颜色表示为权重的平均： 总而言之，我们通过三角形每个顶点到点P的距离来混合定点颜色，从而定义点P的插值颜色。 这个方法简单，易于实现，而且相当直观，在一些应用中表现良好...
3D常用术语（名词解释）
山东经济学院数字媒体兴趣团队
02-04 2785
3D常用术语(名词解释) 相信大家对3D的兴趣不比俺小吧？现在3D的东西铺天盖地的向我们袭来，大到国外的科幻大片，小到游戏中的CG动画，无不让人看了目眩。其中的3D术语也常常出现在相关的文章中，由于这些术语都是冷门单词，不是专业人员，根本看不懂，即使拿了辞典来翻，这种新词汇，在书中也很难翻到。因此，本人收集了一些这方面的资料，帮助大家阅读，其中也掺杂一些MAX的术语，也希望为您学习该软件有所帮助。
综述：三维点云深度学习技术
3D视觉工坊
12-15 1711
作者丨小白@知乎来源丨https://zhuanlan.zhihu.com/p/157791868编辑丨深蓝学院本文是对<Deep Learning for 3D Point Clo...
课程笔记-三维点云处理03 ——Clustering聚类
Jason_____Wang的博客
03-18 1362
课程笔记-三维点云处理03 ——Clustering聚类 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！！ 本文主要为课程第三章的笔记！ 课程链接： 三维点云处理——深蓝学院 目录 正式内容: #################################################### ...
课程笔记-01-图像处理基本概念-paddlepaddle图像处理【飞桨】【图像分类】
Jason_____Wang的博客
03-03 1141
课程笔记-01-图像处理基本概念-图像处理七天速成营 from AIStudio 写在前面 今天开始又开启了一门直播课程：飞桨领航团图像分类零基础速成营。 开课的时间还是每晚八点，本周开始，每天直播+笔记，加油奥利给！ （周一周二晚上都有课，整好从周三开始，不知道是幸运还是不幸hhh） 课程链接: 》》》百度飞桨领航团图像分类零基础速成营《《《 #################################################################### 班主任讲话： 课程形式：6
三维点云区域生长python
最新发布
09-11
你可以使用Python来实现三维点云区域生长算法。以下是一个基本的示例代码： ```python import numpy as np from sklearn.neighbors import NearestNeighbors def region_growing(points, seed_index, threshold): num_points = points.shape[0] visited = np.zeros(num_points, dtype=bool) cluster = [] def region_growing_recursive(curr_index): visited[curr_index] = True cluster.append(curr_index) # Find neighboring points within the threshold curr_point = points[curr_index] distances, indices = nbrs.radius_neighbors([curr_point], threshold, return_distance=True) neighbors = indices[0] for neighbor_index in neighbors: if not visited[neighbor_index]: region_growing_recursive(neighbor_index) nbrs = NearestNeighbors(n_neighbors=1).fit(points) region_growing_recursive(seed_index) return cluster # Example usage # points: Nx3 numpy array containing the 3D coordinates of the point cloud # seed_index: Index of the seed point for region growing # threshold: Distance threshold for neighboring points to be considered part of the same region cluster = region_growing(points, seed_index, threshold) ``` 在这个示例代码中，`points` 是一个大小为 Nx3 的 numpy 数组，其中包含了点云的三维坐标。`seed_index` 是种子点的索引，它将作为算法的起始点。`threshold` 是一个阈值，用于确定哪些邻近点被认为是同一个区域的一部分。 这个实现使用了 `sklearn.neighbors.NearestNeighbors` 来查找种子点附近的邻居点。通过递归地访问每个邻居点，并将其添加到簇集合中，实现了区域生长算法。 请注意，这只是一个基本的示例代码，你可能需要根据你的具体需求进行一些修改和优化。另外，你可能还需要安装 `scikit-learn` 库来运行这段代码。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值