利用KDTree近邻搜索

已于 2023-06-29 16:32:17 修改
阅读量1.5k 收藏 14
点赞数 1
分类专栏： PCL 文章标签： pcl
于 2023-06-26 16:29:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/Scarlett2025/article/details/131400304
版权

原理的相关介绍：KD-Tree详解: 从原理到编程实现

 k-d树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。K-D树是二进制空间分割树的特殊的情况。

索引结构中相似性查询有两种基本的方式：一种是范围查询（range searches），另一种是K近邻查询（K-neighbor searches）。范围查询就是给定查询点和查询距离的阈值，从数据集中找出所有与查询点距离小于阈值的数据；K近邻查询是给定查询点及正整数K，从数据集中找到距离查询点最近的K个数据，当K=1时，就是最近邻查询（nearest neighbor searches）。

PCL中类pcl::KdTree<PointT>是kd-tree数据结构的实现。并且提供基于FLANN进行快速搜索的一些相关子类与包装类。具体可以参考相应的API。下面给出2个类的具体用法。

  • pcl::search::KdTree < PointT >
    pcl::search::KdTree<PointT>是pcl::search::Search< PointT >的子类，是pcl::KdTree<PointT>的包装类。包含(1) k 近邻搜索；(2) 邻域半径搜索。
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/search/kdtree.h> // 包含kdtree头文件

typedef pcl::PointXYZ PointT;

int main()
{
	pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
	pcl::io::loadPCDFile("../input_cloud/20230605_132512.pcd", *cloud);

	// 定义KDTree对象
	pcl::search::KdTree<PointT>::Ptr kdtree(new pcl::search::KdTree<PointT>);
	kdtree->setInputCloud(cloud); // 设置要搜索的点云，建立KDTree

	std::vector<int> indices; // 存储查询近邻点索引
	std::vector<float> distances; // 存储近邻点对应距离的平方

	PointT point = cloud->points[0]; // 初始化一个查询点

	// 查询距point最近的k个点
	int k = 10;
	int size = kdtree->nearestKSearch(point, k, indices, distances);

	std::cout << "nearest search point : " << size << std::endl;

	// 查询point半径为radius邻域球内的点
	double radius = 2.0;
	size = kdtree->radiusSearch(point, radius, indices, distances);

	std::cout << "radius search point : " << size << std::endl;

	system("pause");
	return 0;
}

 注意： 搜索结果默认是按照距离point点的距离从近到远排序；如果InputCloud中含有point点，搜索结果的的第一个点是point本身。

 

  • pcl::KdTreeFLANN < PointT >
    pcl::KdTreeFLANN<PointT>是pcl::KdTree<PointT>的子类，可以实现同样的功能。
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
// 包含相关头文件
#include <pcl/kdtree/kdtree_flann.h>

typedef pcl::PointXYZ PointT;

int main()
{
	pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
	pcl::io::loadPCDFile("../input_cloud/20230605_132833.pcd", *cloud);

	pcl::KdTreeFLANN<pcl::PointXYZ> kdtree; //创建KDtree
	kdtree.setInputCloud(cloud); // 设置要搜索的点云，建立KDTree

	std::vector<int> indices; // 存储查询近邻点索引
	std::vector<float> distances; // 存储近邻点对应距离的平方

	PointT point = cloud->points[1]; // 初始化一个查询点

	// 查询距point最近的k个点
	int k = 10;
	int size = kdtree.nearestKSearch(point, k, indices, distances);

	std::cout << "nearest search point : " << size << std::endl;

	// 查询point半径为radius邻域球内的点
	double radius = 2.0;
	size = kdtree.radiusSearch(point, radius, indices, distances);

	std::cout << "radius search point : " << size << std::endl;

	system("pause");
	return 0;
}

srand(time(NULL));

        srand(time(NULL));是一个常用的用于设置随机数种子的代码片段。它使用当前时间作为种子，以便每次程序运行时生成不同的随机数序列。
        要使用srand()函数生成伪随机数，需要包含头文件<cstdlib>和<ctime>。

pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
pcl::search::KdTree<pcl::PointXYZ> kdtree;

这两行代码都是使用了 PCL（Point Cloud Library）中的 KdTree 数据结构，但有一些细微的区别：

  1. 类型声明：
            第一行代码使用了 pcl::KdTreeFLANN<pcl::PointXYZ> 类型，该类型实现了基于FLANN库的 KdTree，用于点云的最近邻搜索等操作。
            第二行代码使用了 pcl::search::KdTree<pcl::PointXYZ> 类型，该类型是 PCL 中的另一个 KdTree 实现，用于点云的最近邻搜索和半径搜索等操作。

  2. 实现差异：
           pcl::KdTreeFLANN 是基于 FLANN（Fast Library for Approximate Nearest Neighbors）库实现的 KdTree。FLANN 库提供了高效的最近邻搜索算法，支持多种数据类型和距离度量方式，并且对大规模数据集具有良好的扩展性。
           pcl::search::KdTree 是在 PCL 中自定义的 KdTree 实现，它也支持最近邻搜索和半径搜索等操作，但可能不如 FLANN 库提供的实现在某些情况下高效。

        因此，选择使用哪个 KdTree 类型取决于你的需求以及对性能和功能的要求。如果你需要更高效和灵活的最近邻搜索算法，可以选择第一行代码中的 pcl::KdTreeFLANN 类型；如果你对性能要求不高，或更偏向于使用 PCL 默认的实现，可以选择第二行代码中的 pcl::search::KdTree 类型。

if (kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0)

在Kd树（K-dimensional tree）中，nearestKSearch()函数是用于搜索K个最近邻的函数。它可以帮助我们找到给定查询点附近最接近的K个点。

nearestKSearch()函数通常具有以下参数：

  1. query_point: 要查询的点，它是一个K维向量或数组。
  2. k: 要搜索的最近邻数量，也就是要返回的最接近的K个点。
  3. result: 用于存储搜索结果的容器，通常是一个空的列表或数组。
  4. distances: 用于存储每个最近邻点与查询点之间的距离的容器，通常也是一个空的列表或数组。
size_t i = 0;

         size_t是C++中的一种无符号整数类型，被用于表示内存大小、数组长度等非负整数值。它的大小在不同的编译器和操作系统下可能会有所不同，但通常被设计为足够大以容纳目标平台上最大可能的对象大小。
        在C++中，size_t类型通常被用作循环计数器、数组索引和指针算术等场景中。它可以保证能够表示当前平台上最大可能的对象大小，并且不受特定平台的位数限制（如32位或64位）的影响。

为什么循环计数时用size_t而不是int？

 在循环计数时，使用size_t类型比使用int类型更好的原因是因为:

  1. 无符号性：size_t是一种无符号整数类型，它只表示非负的整数值。这意味着你不需要担心负数循环计数的问题。当循环计数器必须始终是非负数时，使用size_t能提供更好的语义。

  2. 内存大小：size_t的大小在不同平台上可能会有所变化，但通常情况下，它足够大以容纳较大的数组或容器的元素数量。相比之下，int类型的大小是固定的，在大多数平台上，int类型的大小是4个字节（32位），其范围通常为-2,147,483,648到2,147,483,647（即-2^31到2^31-1）。并且可能无法容纳大型数据结构的元素数量。

  3. 兼容性：某些库或函数接口中使用了size_t类型来表示长度、索引或容量。如果你在循环计数中使用int而不是size_t，可能会导致类型不匹配的错误或警告。

总体而言，使用size_t类型进行循环计数可以提供更好的代码清晰性、可移植性和兼容性，特别是当处理大型数据结构时。然而，在某些情况下，使用int类型也是可以接受的，特别是当循环计数器的范围明确限制在整数范围内时。

viewer.addPointCloud<pcl::PointXYZ>(searchCloud, searchColorHandler, "search_cloud");

在函数viewer.addPointCloud<pcl::PointXYZ>(searchCloud, searchColorHandler, "search_cloud")中，这三个参数的含义如下：

  1. searchCloud: 这是要添加到可视化器中的点云对象。它是一个指向pcl::PointCloud<pcl::PointXYZ>类型的指针。

  2. searchColorHandler: 这是颜色处理器，用于设置点云的颜色。它是pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>类型的对象。

  3. "search_cloud": 这是点云对象的名称。可视化器使用该名称来标识和管理不同的点云。

viewer.addCoordinateSystem(200);

         viewer.addCoordinateSystem(200);是PCL中的一个函数调用，用于在可视化器中添加一个坐标系。
        这个函数有几个重载版本，参数200表示坐标系的尺寸大小（单位为mm）。它指定了坐标系的轴的长度，即x、y和z轴的长度。

// K nearest neighbor search 搜索K个最近邻居
#include <iostream>
#include <vector>
#include <ctime>

#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/search/kdtree.h>
#include <pcl/search/impl/search.hpp>
#include <pcl/visualization/cloud_viewer.h>


int main(int argc, char** argv) {
    // 用系统时间初始化随机种子
    srand(time(NULL));

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 生成点云数据1000个
    cloud->width = 1000;
    cloud->height = 1;  // 1 表示点云为无序点云
    cloud->points.resize(cloud->width * cloud->height);

    // 给点云填充数据 0 - 1023
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }

    // 创建KdTree的实现类KdTreeFLANN (Fast Library for Approximate Nearest Neighbor)
    //pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
    pcl::search::KdTree<pcl::PointXYZ> kdtree;
    kdtree.setInputCloud(cloud);  // 设置搜索空间，把cloud作为输入

    pcl::PointCloud<pcl::PointXYZ>::Ptr searchCloud(new pcl::PointCloud<pcl::PointXYZ>);
    //pcl::PointXYZ searchPoint(300, 100, 50);
    
    // 初始化一个随机的点，作为查询点   
    pcl::PointXYZ searchPoint;
    searchPoint.x = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.y = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchCloud->push_back(searchPoint);

    //创建K和两个向量来保存搜索到的数据
    int K = 10;  //表示搜索10个临近点
    std::vector<int> pointIdxNKNSearch(K);  //保存搜索到的临近点的索引
    std::vector<float> pointNKNSquaredDistance(K);  //保存对应临近点的距离的平方

    std::cout << "K nearest neighbor search at (" << searchPoint.x
        << " " << searchPoint.y
        << " " << searchPoint.z
        << ") with K=" << K << std::endl;

    if (kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0) {
        for (size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxNKNSearch[i]].x
            << " " << cloud->points[pointIdxNKNSearch[i]].y
            << " " << cloud->points[pointIdxNKNSearch[i]].z
            << " (距离: " << pointNKNSquaredDistance[i] << ")" << std::endl;
    }

    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> originColorHandler(cloud, 255, 255, 255);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> searchColorHandler(searchCloud, 0, 255, 0);

    pcl::visualization::PCLVisualizer viewer("PCL Viewer");
    viewer.setBackgroundColor(0.3, 0.2, 0.5);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, originColorHandler,"cloud");
    viewer.addPointCloud<pcl::PointXYZ>(searchCloud, searchColorHandler, "search_cloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "search_cloud");

    pcl::PointXYZ originPoint(0.0, 0.0, 0.0);    
    viewer.addLine(originPoint, searchPoint, "line");  // 添加从原点到搜索点的线段
    viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.9373, 1, 0.3216, "line");    
    viewer.addCoordinateSystem(200); // 指定坐标轴的长度，单位mm
    
    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

    return 0;
}

if (kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0)

        在Kd树（K-dimensional tree）中，radiusSearch()函数是用于搜索指定半径内的点的函数。它可以帮助我们找到给定查询点附近指定半径范围内的所有点。

radiusSearch()函数通常具有以下参数：

  1. query_point: 要查询的点，它是一个K维向量或数组。
  2. radius: 搜索的半径范围，只返回距离查询点小于等于半径的点。
  3. result: 用于存储搜索结果的容器，通常是一个空的列表或数组。
  4. distances: 用于存储每个点与查询点之间的距离的容器，通常也是一个空的列表或数组。

        返回值表示在指定半径范围内找到的点的数量。这个返回值是一个整数，表示满足条件的点的数量。 

// Neighbors within radius search 通过指定半径搜索
#include <iostream>
#include <vector>
#include <ctime>

#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/search/kdtree.h>
#include <pcl/search/impl/search.hpp>
#include <pcl/visualization/cloud_viewer.h>


int main(int argc, char** argv) {  
    srand(time(NULL)); // 用系统时间初始化随机种子

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 生成点云数据1000个
    cloud->width = 1000;
    cloud->height = 1;  // 1 表示点云为无序点云
    cloud->points.resize(cloud->width * cloud->height);

    // 给点云填充数据 0 - 1023
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }

    // 创建KdTree的实现类KdTreeFLANN (Fast Library for Approximate Nearest Neighbor)
    pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
    //pcl::search::KdTree<pcl::PointXYZ> kdtree;
    kdtree.setInputCloud(cloud);  // 设置搜索空间，把cloud作为输入

    pcl::PointCloud<pcl::PointXYZ>::Ptr searchCloud(new pcl::PointCloud<pcl::PointXYZ>);
    // 初始化一个随机的点，作为查询点   
    pcl::PointXYZ searchPoint;
    searchPoint.x = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.y = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchCloud->push_back(searchPoint);
    
    std::vector<int> pointIdxRadiusSearch;
    std::vector<float> pointRadiusSquaredDistance;

    // 创建一个随机[0,50)的半径值
    float radius = 50.0f * rand() / (RAND_MAX + 1.0f);

    std::cout << "Neighbors within radius search at (" << searchPoint.x
        << " " << searchPoint.y
        << " " << searchPoint.z
        << ") with radius=" << radius << std::endl;

    if (kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0) {
        for (size_t i = 0; i < pointIdxRadiusSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxRadiusSearch[i]].x
            << " " << cloud->points[pointIdxRadiusSearch[i]].y
            << " " << cloud->points[pointIdxRadiusSearch[i]].z
            << " (距离平方:: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
    }

    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> originColorHandler(cloud, 255, 255, 255);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> searchColorHandler(searchCloud, 0, 255, 0);

    pcl::visualization::PCLVisualizer viewer("PCL Viewer");
    viewer.setBackgroundColor(0.1176, 0.1176, 0.2353);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, originColorHandler, "cloud");
    viewer.addPointCloud<pcl::PointXYZ>(searchCloud, searchColorHandler, "search_cloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "search_cloud");

    pcl::PointXYZ originPoint(0.0, 0.0, 0.0);
    viewer.addLine(originPoint, searchPoint, "line");  // 添加从原点到搜索点的线段
    viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1, 1, 0.2784, "line");
    viewer.addSphere(searchPoint, radius, 0.945, 0.4118, 0.6941,"sphere",0);  // 添加一个以搜索点为圆心，搜索半径为半径的球体229
    viewer.addCoordinateSystem(200); // 指定坐标轴的长度，单位mm

    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }

    return 0;
}

 

Scarlett2025
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
PCL：k-d tree 1 讲解
m0_37957160的博客
03-16 772
1.简介 kd-tree简称k维树，是一种空间划分的数据结构。常被用于高维空间中的搜索，比如范围搜索和最近邻搜索。kd-tree是二进制空间划分树的一种特殊情况。（在激光雷达SLAM中，一般使用的是三维点云。所以，kd-tree的维度是3） 由于三维点云的数目一般都比较大，所以，使用kd-tree来进行检索，可以减少很多的时间消耗，可以确保点云的关联点寻找和配准处于实时的状态。 2.原理 ...
用kd树的最近邻搜索
FeynmanWang的博客
07-24 1049
算法：\qquad 输入：已构造的 kdkd 树；目标点 xx ; \qquad 输出：xx 的最近邻。 \qquad (1) 在 kdkd 树中找出包含目标点 xx 的叶节点：从根节点出发，递归地向下访问 kdkd 树。若目标点 xx 当前维的坐标小于切分点的坐标，则移动到左子节点，否则移动到右子节点。直到子节点为叶节点为止。 \qquad (2) 以此叶节点为”当前最近点“。 \qqua
PCL使用教程-使用k-d树（k-d tree）进行查找
DayDayUp
05-24 4922
如何使用k-d树进行查找 在这篇教程中，我们将学习如何使用k-d树来搜索某个特殊点或者区域的K最近邻域。然后我们也将学习如何在用户指定的一些半径内找到所有的邻居(在本案例中是随机生成的)。 k-d树理论基础 k-d树，又称k维树，是计算机科学中用来组织表示k维空间中点集合的一种数据结构。它的本质是一棵带有其他约束的二叉查找树。k-d树对于区间搜索和最近邻搜索十分有用。由于我们处理的点云都是三维的，所以我们使用三维的k-d树。k-d树的每个级别使用垂直于相应轴的超平面将所有子级沿特定维度拆分。 在树的.
KD-Tree构建及邻近点搜索 C++实现
最新发布
ts00001M的博客
05-03 700
KDTree C++实现
下述有关PCL库描述nearestKSearch的代码是什么意思？为什么会返回相关的nearestKSearch？ virtual int nearestKSearch (const PointT ...
weixin_42587866的博客
02-16 365
PCL库中的nearestKSearch函数是用于在给定的点云中搜索与目标点最近的K个邻居点的函数。该函数的原型如下： virtual int nearestKSearch (const PointT &amp;query, int k, std::vector<int> &amp;indices, std::vector<float> &amp;s...
【点云处理】点云法向量估计及其加速(4)
11-26 1949
我们应该注意到，k近邻搜索这一步我们只是简简单单使用了一个for循环进行逐个点云的搜索，完全没有考虑到这一查找过程的可并行性，所以这里我们首先尝试使用多线程对这一过程进行提速。当我们考虑多线程时可以使用boost::thread库或者自从C++ 11开始支持的std::thread，也可以使用操作系统相关的线程API，如在Linux上，可以使用pthread库。它的好处是跨平台，使用简单。编译器会创建一个包含N(在运行时决定,通常为服务器的逻辑核数)个线程的先成组，由他们来并行地运行后面的for语句块。
在pcl中通过kd tree 实现 快速邻域搜索
月照银海似蛟龙的博客
07-07 1402
在pcl中通过kd tree 实现 快速邻域搜索KD-tree 原理快速邻域搜索求一个点的最紧邻点CodeResult求一个半径内的最紧邻点CodeResult KD-tree 原理 kd树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。 其实KDTree就是二叉搜索树的变种。这里的K = 3. Kd-tree的原理是这样的：不比较全部的k维数据，而是选择其中某一个维度比较，根据这个维度进行空间划分。 只需要判断出在哪一
KD树
qq_41745284的博客
03-07 9745
问题导入： k近邻法最简单的实现是线性扫描（穷举搜索），即要计算输入实例与每一个训练实例的距离。计算并存储好以后，再查找K近邻。当训练集很大时，计算非常耗时。 为了提高kNN搜索的效率，可以考虑使用特殊的结构存储训练数据，以减小计算距离的次数。这里介绍的就是KD树 简介： 为了避免每次都重新计算一遍距离，算法会把距离信息保存在一棵树里，这样在计算之前从树里查询距离信息，尽量避免重新计算。其基本原理是，如果A和B距离很远，B和C距离很近，那么A和C的距离也很远。有了这个信息，就可以在合适的时候跳过距离远的点。
KDTree分类python代码
12-15
**正文** KDTree，全称为K-...通过理解其工作原理和Python实现，开发者可以有效地利用KDTree解决实际问题，尤其是涉及到空间数据的场景。在实际项目中，结合可视化工具，可以更直观地理解和优化KDTree的性能。
KDTree测试亲测可用
06-06
1. **近邻搜索**：使用KDTree，对于每个点A，找到点云B中的最近邻点B'。 2. **坐标变换**：根据点A和B'的相对位置，估计变换参数（如旋转和平移）。 3. **应用变换**：将点云B的所有点应用这个变换，更新其位置。 4....
knn.zip_K._k-d tree_kd tree knn_k近邻搜索
09-22
这是一个小而有效的程序来执行的K -近邻搜索算法，此算法利用JIT 理论加速循环，比向量化有效解决了大量数据的精度问题。甚至比kd-tree效果要佳。 K-nearest neighbor search已经广泛应用在科学与工程上，比如模式...
kd_search_kdtree_
09-30
"kd_search_kdtree_" 的标题暗示了我们将探讨如何利用KD树进行搜索和分类任务。 首先，让我们理解KD树的基本概念。在n维空间中，每个数据点可以表示为一个包含n个坐标值的向量。KD树通过将这个高维空间分成一系列的...
ball tree and kd tree.pdf
08-02
通过这种方式，KD Tree 可以有效地对数据进行分层和搜索，尤其适用于近邻查找和范围查询。 欧几里得最小生成树（EMST）问题是在一个给定的带权重的图中寻找一棵边的权重之和最小的树，这棵树连接了所有顶点且没有环...
详解KDTree
热门推荐
爱冒险的技术宅
11-26 8万+
简介kd树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。一个KDTree的例子上图的树就是一棵KDTree，形似二叉搜索树，其实KDTree就是二叉搜索树的变种。这里的K = 3.首先来看下树的组织原则。将每一个元组按0排序（第一项序号为0，第二项序号为1，第三项序号为2），在树的第n层，第 n%3 项被用粗
（3）点云数据处理学习——KD树近邻搜索
chencaw的专栏
11-29 1158
dd
【三维点云数据处理】Kd-Tree实现最近邻搜索
点云兔子的博客
06-17 4781
前言二、代码实现1.关键函数2.代码示例三、结果展示点云数据处理中最为核心的问题就是建立离散点间的拓扑关系 , 实现基于邻域关系的快速查找。一、kd-tree是什么？ kd-tree 或者 k 维树是计算机科学中使用的一种数据结构 ， 用来组织表示 k 维空间中点集合。它是一种带有其他约束条件的二分查找树。kd-tree 对于区间和近邻搜索十分有用。我们为了达到目的 , 通常只在三个维度中进行处理 , 因此所有的 kd-tree 都将是三维 kd-tree。如图 所示 ，kd-tree 的每一
pcl nearestKSearch
guanxunmeng8928的博客
02-24 3198
/** \brief Search for the k-nearest neighbors for the given query point. * \param[in] point the given query point * \param[in] k the number of neighbors to search for * \param[out] k_indices the resultant indices of the neighb
kd tree最近邻搜索算法深度解析
昔风不起，唯有努力生存！
06-29 4243
李航统计学习方法（第二版）（六）：k近邻算法实现（kd tree方法）中，对kd树进行了介绍，包括，kd树的简介、kd树的建立以及kd树的搜索。在看到李航老师书中对kd树搜索算法的描述后，其中对于递归回退的操作描述不是很理解，觉得太抽象了（很可能是我自己的理解能力的问题）。对比多个源码（各个源码都还有我觉得有问题的地方，有时间我会在各博主博客下面留言，主要有：1.[c++实现kdTree创建以及最近邻点查找](https://blog.csdn.net/zfjbit/article/details/9547
KD tree-基于树的ANN近邻搜索
fs1341825137的博客
08-04 934
KD-tree 基于树的ANN近邻搜索
kdtree 范围搜索
08-01
kdtree 是一种用于高维空间的数据结构，可以高效地进行范围搜索。范围搜索是指在给定的范围内查找kdtree中的所有数据点。 在进行范围搜索时，我们可以首先通过递归地构建kdtree，将空间划分为更小的部分，每个节点代表一个数据点。通过比较节点的值与搜索范围的边界值，我们可以决定是否进一步搜索该节点的子树。 具体的搜索过程可以描述如下： 1. 当前节点为空节点时，搜索结束，返回空列表。 2. 如果当前节点的值在搜索范围内，将该节点加入结果列表。 3. 若搜索范围的最小值小于当前节点的值，则递归地搜索当前节点的左子树。 4. 若搜索范围的最小值大于当前节点的值，则递归地搜索当前节点的右子树。 5. 重复步骤2-4，直到搜索范围的最大值小于当前节点的值或者当前节点已经没有子树。 最终，我们可以得到在给定范围内的所有数据点，并将其返回。需要注意的是，通过合理的剪枝策略，可以提高搜索效率，减少不必要的搜索过程。 总结来说，kdtree 范围搜索是一种高效的数据结构，可以用于在高维空间中查找给定范围内的数据点。通过递归地构建kdtree，并通过比较节点的值和搜索范围的边界值来进行搜索，可以得到所需的结果。

“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 1
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