（点云处理）点云最邻近问题--二叉树

最新推荐文章于 2023-11-21 11:12:32 发布
最新推荐文章于 2023-11-21 11:12:32 发布
阅读量458 收藏
点赞数
分类专栏： PointCloud 文章标签： 自动驾驶
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/KNIGHT_HOY/article/details/123585559
版权

点云最邻近问题–二叉树

  • Knn & Fixed Radius NN

在这里插入图片描述在这里插入图片描述

  • 概述

    • 核心思想：空间分割

在这里插入图片描述

二叉树

  • 特点：key（表达特征）：左子树 < root <右子树

  • 代码实现:

    • value可以是这个节点的一些信息 比如在原来数组的索引，节点颜色…

在这里插入图片描述

插入

  • 递归插入

在这里插入图片描述

  • 鉴于时间复杂度的问题 如果二叉树建的不好有时候插入需要遍历整棵树

  • 要是采用平衡二叉树时间复杂度会变小

在这里插入图片描述

查找

  • 递归
    在这里插入图片描述
    在这里插入图片描述

  • 递归和循环比较

    • 递归空间复杂度会大一点 递归多少次就需要多少个变量去储存
    • 但现在递归内部实现可能会是循环
      在这里插入图片描述

二叉树实现1NN

  • 找跟11最近的值
  • 查找根节点8 那么最坏的结果就会worst distance = 11-8 = 3 现在的查找范围是【8，14】
  • 再查找8的右子树 然后得到worst distance = 11-10 = 1 查找的范围就是【8，10】
  • 循环上面步骤
    在这里插入图片描述

实现KNN

  • 建立K大小的数组 初始化为无限大 将找到的数字放入 新插入的数字替换其中的数字

  • 比如3.5会替换4

在这里插入图片描述

  • 代码：

在这里插入图片描述在这里插入图片描述

Hoyyyaard
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
点云处理－－－二叉树
张飞飞的博客
06-01 316
numpy相关函数记录： data=np.random.permutation(data_size).tolist() #随机排列一个数组，data_size是一个数字的话就是排列ｒａｎｇｅ（ｄａｔａ_size) #tolist是将数组转换成列表 for value,key in enumerate(data): #enumerate:迭代可迭代的对象：包括列表、字符串、字典等 #可以返回键值以及相应的元素内容 point_indices_mid=math.ceil() #向上取整 ...
点云数据插值
05-15
实现点云数据的插值，对于大量的不规则点云数据，需要通过插值运算实现网格化。
三维点云处理：7最邻近问题之二叉树
sweetorange_的学习笔记
10-12 414
7最邻近问题之二叉树 一、前言：K-NN、NN K-NN：找K个离自己最近的点 NN:以这一点做圆心，r为半径，邻域内的点都是最近点。 寻找点云临近点困难原因： 1、点云不规则 2、点云是三维的 3、点云数据量大 核心思想：空间分割。 二、 二叉树： 左边的数小于根节点小于右边的数。如图： 给定一个一维数组，构建二叉树： 小的放左边，大的放右边。 代码: 复杂度： O(log2n)-O(n) 递归方法： 循环方法： 栈： 复杂度：O（h） 三种顺序的遍历： 中序：排序 前序：复制树 后序：删除节
【点云处理】第二章 最邻近问题 Nearest Neighbor Prroblem (1)二叉树
wyk71456的博客
08-10 397
k-NN： 红色是要查的点，绿色是要在周围查3个最邻近的点1，2，3。 怎么样找到一个邻域，在求法向量、上采样、下采样、噪声去除等等的问题中很重要，还有聚类、深度学习、特征提取等。有现成的库可以用，flann、PCL等，但是速度慢一些，自己写得更快。 为什么最邻近问题困难？不规则，不像图像上下左右走一圈就行；点云高一维，数据更多。建网格的话，分辨率上去，但是储存需要内存大，大部分区域空白，不高效。数据量大，110000个点/20Hz.所以需要kd树，八叉树处理海量数据。 有些区间不需要查找，怎么跳
【点云上采样】最近邻插值上采样算法
原来也有北瓜
11-21 1568
点云最近邻插值上采样算法是一种常见的点云处理方法，用于将稀疏的点云数据进行上采样，增加点云的密度和细节。该算法基于最近邻的原理，在已有的点云数据中找到最近邻的点，并根据其位置和属性信息来生成新的点。点云最近邻插值上采样算法的主要步骤如下：对于每一个待上采样的点，确定其邻域内的最近邻点集合。可以使用欧氏距离或kd树等方法来搜索最近邻点。对于选定的邻域点集，通过插值方法来生成新的采样点。最近邻插值（Nearest Neighbor Interpolation）：将待上采样点的属性直接赋给其最近邻点。
三维点云处理07-二叉树
m0_45388819的博客
05-28 195
三维点云处理07-创建二叉树 python实现二叉树的构建 import numpy as np # 节点定义 class Node: def __init__(self, key, value = -1): self.left = None self.right = None self.key = key self.value = value # 递归创建二叉树 def insert(root, key ,value): if root is None: root = No
二叉树遍历问题-二叉树遍历问题
11-12
这些遍历方法为处理复杂的数据结构和问题提供了基础，例如在编译器中解析语法树、构建搜索引擎索引、解决游戏中的路径寻找问题等。 了解和掌握二叉树遍历对于提升编程技能至关重要，无论是面试还是实际项目开发，都...
二叉树-基于Objective-C的完全二叉树实现的优先队列.zip
最新发布
04-26
5. **遍历操作**：完全二叉树支持前序、中序和后序遍历，这些遍历方法在处理优先队列时可能很有用，比如打印队列中的元素。 6. **优化**：为了提高性能，可以考虑使用惰性删除、路径压缩等技术，尤其是在处理大量...
二叉树遍历问题-前序， 中序， 后序
08-12
二叉树遍历问题 二叉树遍历问题-前序， 中序， 后序二叉树遍历问题-前序， 中序， 后序二叉树遍历问题-前序， 中序， 后序二叉树遍历问题-前序， 中序， 后序二叉树遍历问题-前序， 中序， 后序二叉树遍历问题-前序...
数据结构--二叉树--思维导图.pdf
08-29
"数据结构--二叉树--思维导图" 二叉树是一种常见的数据结构，它是一种树形结构，每个节点最多有两个孩子节点，分别是左子树和右子树。二叉树可以用来存储大量数据，并且可以快速地查找、插入和删除数据。 二叉树的...
fixed-radius-near-neighbor:固定半径近邻算法说明
06-29
固定半径近邻 固定半径近邻算法说明
Fixed-Radius_Near_Neighbours:解决固定半径近邻问题的不同复杂度算法
03-05
Fixed-Radius_Near_Neighbours:解决固定半径近邻问题的不同复杂度算法
KdTreeInPCL-master_kdtree_点云搜索邻近点代码_kdtree算法实现邻近点的搜索_
09-29
本文将深入探讨KdTree的原理、实现以及在PCL（Point Cloud Library）中的应用，特别关注如何使用KdTree进行点云邻近点的搜索。 KdTree是一种二叉树数据结构，适用于在高维空间中进行分割和快速查询。它的构建基于...
最邻近插值(Nearest neighbor interpolation)，双线性插值(Bilinear interpolation)，双三次插值(Bicubic interpolation)
谷子的五福一安
03-17 2231
图像插值算法 最近在写一个图像分辨率提高的算法，涉及到了图像插值算法，所以稍微调查了一下几种常用的简单算法，这里总结一下，后续继续学习更新。 最邻近插值(Nearest neighbor interpolation) 这里只用基本的灰度图来介绍。 DDD是目标图像的灰度，S是原本图像的灰度 D(x,y)=S([x+0.5],[y+0.5])D(x,y) = S([x + 0.5],[y + 0.5])D(x,y)=S([x+0.5],[y+0.5]) [×][\times][×]当中的小数应该四舍五入，或
三维点云处理(4)——KNN
weixin_44554973的博客
06-11 2945
Binary Search TreeNearest Neighbor (NN) ProblemK-NNFixed Radius-NNCore IdeasBST Nearest Neighbor (NN) Problem K-NN Given a set of points SSS in a space MMM, a query point q∈Mq{\in}Mq∈M, find the kkk closest points in SSS Fixed Radius-NN Given a set of p
class2 Nearest Neighbors 最近邻搜索
qq_33993729的博客
11-22 553
class2 Nearest Neighbors 最近邻搜索问题 Nearest Neighbor (NN) Problem 主要有两种NN问题 K-NN 在空间M中有一个点集S,一个查询点q∈Mq\in Mq∈M,找到查询点在S中最近的k个点 下图是3-NN Fixed Radius-NN 在空间M中有一个点集S,一个查询点q∈Mq\in Mq∈M,找到所有在S中和查询点距离小于r的点 ∣∣s−q∣∣<r||s-q||<r∣∣s−q∣∣<r NN 问题的应用领域 表面法
【机器学习入门】(1) K近邻算法：原理、实例应用（红酒分类预测）附python完整代码及数据集
热门推荐
博观而约取，厚积而薄发
11-14 1万+
各位同学好，今天我向大家介绍一下python机器学习中的K近邻算法。内容有：K近邻算法的原理解析；实战案例--红酒分类预测。红酒数据集、完整代码在文章最下面。那我们开始吧。 1. K近邻算法介绍 1.1 算法原理 原理：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，那么该样本也属于这个类别。简单来说就是，求两点之间的距离，看距离谁是最近的，以此来区分我们要预测的这个数据是属于哪个分类。 我们看图来理解一下。蓝色点是属于a类型的样...
sklearn浅析（八）——近邻算法
起风之后，只剩沙丘
08-05 2606
近邻（Nearest Neighbor）算法既可以用于监督学习（分类），也可以用于非监督学习（聚类），它通过按照一定方法查找距离预测样本最近的n个样本，并根据这些样本的特征对预测样本做出预测。   在sklearn里，所有的近邻算法位于sklearn.neighbors下，共包含下列13个方法： NearestNeighbors：knn算法，主要用kd-tree和ball-tree实现 Ne
三维点云课程（二）——最邻近问题
HUASHUDEYANJING的博客
07-12 1210
点云最邻近问题难点：1. 不规则 2. 三维 3. 数据量大算法核心点： 1. 分隔空间 2. 跳过空间 3. 停止搜索左放小，大放右 多维：找到worst distance是最重要的，其是动态的
利用pcl点云库生成点云二叉树建立
03-31
点云二叉树（PointCloud Binary Tree）是一种基于点云数据的空间数据结构，它能够对点云数据进行高效的存储、索引和查询。点云二叉树的建立主要有两个步骤：点云数据的预处理和点云二叉树的构建。 点云数据的预处理 在建立点云二叉树之前，需要对点云数据进行预处理，主要包括以下几个步骤： 1.点云去噪 点云数据中常常存在噪声点，这些噪声点会影响点云二叉树的建立和查询。因此，在建立点云二叉树之前需要对点云进行去噪处理，常用的去噪算法包括基于统计学的滤波算法和基于网格的滤波算法等。 2.点云采样 点云数据的密度通常是不均匀的，为了使点云二叉树的建立更加高效，需要对点云进行采样，得到尽可能均匀的点云数据。常用的采样算法包括体素采样和基于距离的采样等。 3.点云特征提取 点云数据中常常存在一些特征点，这些特征点能够描述点云的形状和结构。在点云二叉树的建立中，需要对点云进行特征提取，以便更好地描述点云的形状和结构。常用的特征提取算法包括法线估计和曲率估计等。 点云二叉树的构建 在点云数据预处理完成之后，可以开始建立点云二叉树。点云二叉树的建立包括以下几个步骤： 1.确定根节点 点云二叉树的根节点通常是点云数据的中心点或重心，根据根节点可以将点云数据划分为左右两个子节点。 2.递归划分 对于根节点的左右子节点，可以继续递归地进行划分，直到每个叶子节点只包含一个点。在点云数据划分的过程中，可以根据点云特征进行划分，以保证每个子节点包含的点云数据尽可能相似。 3.构建二叉树 根据点云数据的划分结果，可以构建一个点云二叉树。每个节点包含点云数据的范围和点云数据的索引，同时包含左右子节点的指针。在点云数据查询的过程中，可以通过遍历点云二叉树来查找相应的点云数据。 总之，利用pcl点云库生成点云二叉树可以实现对点云数据的高效存储、索引和查询，是点云数据处理中常用的方法之一。
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