Python Open3D几何图形 基础篇(四) KD树
本文所参考网页:
KDTree — Open3D 0.15.1 documentation
Open3D使用FLANN 构建KDTrees,以便快速检索最近的邻居。
从点云构建KD树(Build KDTree from point cloud)
下面的代码是用于读取点云并构建KDTree。这是为了接下来的最近邻查询的预处理步骤。
print("Testing kdtree in Open3D...")
print("Load a point cloud and paint it gray.")
sample_pcd_data = o3d.data.PCDPointCloud()
pcd = o3d.io.read_point_cloud(sample_pcd_data.path)
pcd.paint_uniform_color([0.5, 0.5, 0.5])
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
"""
Testing kdtree in Open3D...
Load a point cloud and paint it gray.
"""
寻找邻接点(Find neighboring points)
我们选择第1501的点(数组为0索引)作为定位点(anchor point),并将其涂成红色。
print("Paint the 1501st point red.")
pcd.colors[1500] = [1, 0, 0]
# Paint the 1501st point red.
使用 search_knn_vector_3d
- 函数
search_knn_vector_3d
返回定位点的k个最近邻的索引列表。这些相邻的点被涂成蓝色。- 值得注意的是,示例代码这里将
pcd.colors
转换为numpy的数组去批量读取点的颜色,并且通过广播(broadcast)的机制将所有选中的点涂上蓝色[0, 0, 1] ,这里跳过第一个索引,因为它是定位点。
print("Find its 200 nearest neighbors, and paint them blue.")
[k, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[1500], 200)
np.asarray(pcd.colors)[idx[1:], :] = [0, 0, 1]
使用 search_radius_vector_3d
类似地,我们也可以使用
search_radius_vector_3d
来查找距离定位点小于给定半径的所有点。示例代码这里把这些点涂成绿色。
print("Find its neighbors with distance less than 0.2, and paint them green.")
[k, idx, _] = pcd_tree.search_radius_vector_3d(pcd.points[1500], 0.2)
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]
# Find its neighbors with distance less than 0.2, and paint them green.
print("Visualize the point cloud.")
o3d.visualization.draw_geometries([pcd],
zoom=0.5599,
front=[-0.4958, 0.8229, 0.2773],
lookat=[2.1126, 1.0163, -1.8543],
up=[0.1007, -0.2626, 0.9596])
# Visualize the point cloud.
值得注意的是:
- 除了KNN搜索
search_knn_vector_3d
和RNN搜索search_radius_vector_3d
之外,Open3D还提供了混合搜索函数search_hybrid_vector_3d
。- 这个混合搜索函数返回 最多k个到定位点距离小于给定半径的最近邻,这个函数是结合了KNN搜索和RNN搜索的标准。在一些文献中被称为RKNN搜索。
- 它在许多实例中都有性能优势,并且在Open3D的许多函数中大量使用。