（3）点云数据处理学习——KD树近邻搜索

已于 2022-11-30 08:28:12 修改
阅读量1k 收藏 5
点赞数 3
分类专栏： 深度学习 文章标签： 学习
于 2022-11-29 15:47:53 首次发布
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/chencaw/article/details/128099372
版权

1、主要参考资料

（1）kd树原理

数组索引的kdtree建立及简明快速的k近邻搜索方法

（2）open3d

爆肝5万字 Open3D 点云数据处理基础（Python版））-技术圈

(3)视频参考

【Python+Open3D处理点云数据】2.KD树近邻搜索_哔哩哔哩_bilibili

(4)其它大佬

Python软件设计基础 第九节-Open3D模型处理_惊蛰鼬神的博客-CSDN博客_python打开3d模型

2、kd树原理

（1）主要应用

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。

 3、三种搜索算法

3.1K近邻搜索

（1）函数

Search_knn_vector_3d，返回查询点的K个最近邻索引列表，并将这些相邻的点存储在一个数组中

（2）参数说明

  • 给的参数例子：(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
  • 返回值[k, idx, _] ，其中k为索引的个数，idx为返回的点的索引 

 （3）代码例子

import open3d as o3d
import numpy as np

 
#（1）读取模型文件
pcd = o3d.io.read_point_cloud(r"D:/RGBD_CAMERA/python_3d_process/bunny.ply")
#（2）给模型一个统一的初始颜色
pcd.paint_uniform_color([0.5, 0.5, 0.5])
#（3）创建KD树
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（4）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[100] = [1, 0, 0]
#（5）开始索引 
#其中k为索引的个数，idx为返回的点的索引 
#(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
[k, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[100],100)

#（6）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]
#（7）最后显示一下
o3d.visualization.draw_geometries([pcd],width=1200,height=1000)

（4）效果图

3.2半径领域搜索

（1）函数

Search_radius_vector_3d，查询所有和查询点距离小于给定半径的点。

 （2）参数

  • 输入参数例子(pcd.points[1000],0.02)，第一个参数为开始索引的点，第二个参数是索引的半径大小
  • 返回值[k, idx, _] ，其中k为索引的个数，idx为返回的点的索引 

（3）代码测试

import open3d as o3d
import numpy as np

 
#（1）读取模型文件
pcd = o3d.io.read_point_cloud(r"D:/RGBD_CAMERA/python_3d_process/bunny.ply")
#（2）给模型一个统一的初始颜色
pcd.paint_uniform_color([0.5, 0.5, 0.5])

# #-------------------------------------------------------------
# #(一)近邻搜索
# #-------------------------------------------------------------
# #（1）创建KD树
# pcd_tree = o3d.geometry.KDTreeFlann(pcd)
# #（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
# pcd.colors[100] = [1, 0, 0]
# #（3）开始索引 
# #其中k为索引的个数，idx为返回的点的索引 
# #(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
# [k, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[100],100)
# #（4）索引的结果给他们赋颜色，绿色，RGB
# np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]
# #（5）最后显示一下
# o3d.visualization.draw_geometries([pcd],width=1200,height=1000)


#-------------------------------------------------------------
#(二)半径搜索
#-------------------------------------------------------------
#（1）创建KD树
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[1000] = [1, 0, 0]
#（3）开始索引 
#其中k为索引的个数，idx为返回的点的索引 
#(pcd.points[1000],0.02)， 第一个参数为开始索引的点，第二个参数是索引的半径大小
[k, idx, _] = pcd_tree.search_radius_vector_3d(pcd.points[1000],0.02)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 0, 1]
#（5）最后显示一下
o3d.visualization.draw_geometries([pcd],width=1200,height=1000)

（4）效果图

 

 3.3混合搜索

（1）函数

Search_hybrid_vector_3d，最多返回k个和被查询点距离小于给定半径的最近邻点。 

（2）参数 

  • 输入参数例子(pcd.points[8000],0.03, 200)，第一个参数为开始索引的点，第二个参数是索引的半径大小，第三个参数是返回最多多少个值
  • 返回值[k, idx, _] ，其中k为索引的个数，idx为返回的点的索引 

（3）代码

import open3d as o3d
import numpy as np

 
#（1）读取模型文件
pcd = o3d.io.read_point_cloud(r"D:/RGBD_CAMERA/python_3d_process/bunny.ply")
#（2）给模型一个统一的初始颜色
pcd.paint_uniform_color([0.5, 0.5, 0.5])

#-------------------------------------------------------------
#(一)近邻搜索
#-------------------------------------------------------------
#（1）创建KD树
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[100] = [1, 0, 0]
#（3）开始索引 
#其中k为索引的个数，idx为返回的点的索引 
#(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
[k, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[100],100)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]
#（5）最后显示一下
# o3d.visualization.draw_geometries([pcd],width=1200,height=1000)


#-------------------------------------------------------------
#(二)半径搜索
#-------------------------------------------------------------
#（1）创建KD树
# pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[1000] = [1, 0, 0]
#（3）开始索引 
#其中k为索引的个数，idx为返回的点的索引 
#(pcd.points[1000],0.02)， 第一个参数为开始索引的点，第二个参数是索引的半径大小
[k, idx, _] = pcd_tree.search_radius_vector_3d(pcd.points[1000],0.02)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 0, 1]
#（5）最后显示一下
# o3d.visualization.draw_geometries([pcd],width=1200,height=1000)



#-------------------------------------------------------------
#(三)混合搜索
#-------------------------------------------------------------
#（1）创建KD树
# pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[8000] = [1, 0, 0]
#（3）开始索引 
#其中k为索引的个数，idx为返回的点的索引 
#(pcd.points[1000],0.02)， 第一个参数为开始索引的点，第二个参数是索引的半径大小，第三个参数是返回最多多少个值
[k, idx, _] = pcd_tree.search_hybrid_vector_3d(pcd.points[8000],0.03, 200)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 1]
#（5）最后显示一下
o3d.visualization.draw_geometries([pcd],width=1200,height=1000)

（4）三个搜索综合显示

 

 

chencaw
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
基于Matlab建立KD树搜索三维点云的邻近点.7z
07-28
利用Matlab对三维点云建立KD树，搜索一点或多点的柱状邻域、球状邻域与KNN点。 其中，柱状邻域、球状邻域搜索半径为r内的三维点； KNN搜索最邻近k个三维点。
《统计学习方法》 k近邻Python kd树实现
08-17
《统计学习方法》中，kd树的Python实现。
十字算法，用到KD树，能够有效进行点云去噪，压缩数据
04-26
十字算法，用到KD树，能够有效进行点云去噪，压缩数据( cross algorithm used in KD tree, the point cloud can be effectively de-noising, compression of data)
code_python编程_点云数据处理_
10-03
利用python对点云数据的处理，读取LAS文件和使用kd算法建立索引
利用KDTree近邻搜索
Scarlett的博客
06-26 1314
利用KDTree近邻搜索
kD 树：使用 kD 树实现执行最近点搜索或范围查询。-matlab开发
05-30
此发行版包含 KDTREE、KDTREEIDX 和 KDRANGEQUERY 函数。 ----- KDTREE 使用 kD 树查找最近点。 CP = KDTREE（REFERENCE，MODEL）在中找到最接近的点模型中每个点的参考。 通过从 REFERENCE 中的数据点构建 kD 树，并在 MODEL 中查询每个数据点的树，以有效的方式执行搜索。 IDX = KDTREEIDX( REFERENCE, MODEL ) 为 MODEL 中的每个点查找 REFERENCE 中最近的点。 通过在REFERENCE中从数据点构建kD树，并在MODEL中为每个数据点查询树，以有效的方式执行搜索。 PTS = KDRANGEQUERY( ROOT, QUERYPT, DISTLIM ) 查找存储在 kD 树 ROOT 中且在 QUERYPT 的 DISTLIM 单元内的所有点。 使用 D
KD树
qq_41745284的博客
03-07 9630
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。
点云处理之KD-Tree
liusscsdn的博客
03-27 1173
例如，在物体识别中，可以将每个物体的特征向量表示为一个点云，然后利用KD-Tree搜索待识别物体的最近邻点云，从而实现物体识别。然后选择一个维度，计算该维度的中位数，并将该中位数作为节点的分割点。其实现方法为：首先选择一个维度，将所有数据按照这个维度的大小排序，然后选择中位数作为分割点，将数据集分为两个子集，小于等于分割点的放在左子树中，大于分割点的放在右子树中。KD-Tree是一种用于加速点云处理的数据结构，其原理是通过递归地分割空间，构建一颗二叉树，以实现高效的最近邻搜索、点云分割、三维重建等操作。
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 4031
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
基于Open3D的点云处理4-数据结构Kdtree和Octree
zfjBIT的专栏
05-28 993
基于Open3D的点云处理4-数据结构Kdtree和Octree
matlab中kdtree调用，搜索点云数据近邻点
10-21
结合xyz点云数据，调用matlab中kdtree进行搜索近邻点，其中包括一次性对所有点进行k近邻点搜搜，以及针对单个点进行kdtree的搜搜两种情况。
点云聚类及匹配（KD-Tree & OCTree）
lovely_yoshino的博客
10-12 7040
int main() { int queryNum = 3;//用于设置返回邻近点的个数 vector<float> vecQuery(2);//存放查询点的容器 vector<int> vecIndex(queryNum);//存放返回的点索引 vector<float> vecDist(queryNum);//存放距离 cv::flann::SearchParams params(32);//设置knnSearch搜索参数 cv::flann::KDTre
Open3D学习——2 KDTree
LYStudyC的博客
10-10 357
1 建里KDTree索引 pcd = o3d.io.read_point_cloud('bun.ply') # 把所有点染成灰色 pcd.paint_uniform_color([0.5, 0.5, 0.5]) # 建立kd树索引 pcd_tree = o3d.geometry.KDTreeFlann(pcd) 2 k近邻搜索 # 给指定点染红色 pcd.colors[100] = [1, 0, 0] # 索引临近的100个点 [k, idx, _] = pcd_tree.search_knn_.
点云 K 临近查找算法：kd 树
大家好~我是SP_FA~
07-09 301
kd 树是一个二叉树，用于高效的查找某个点的 k 临近点，它的每一个节点记载了 特征坐标，切分轴，指向左右子树的指针。
光线求交加速算法：kd-树
小龙虾的博客
07-03 1163
光线求交加速算法：kd-树 空间二分树,即Binary space partitioning(BSP)树利用分割平面自适应地细分空间。 BSP树以包围整个场景的边界框开始。如果框中的图元数量大于某个阈值，则该框将被平面分成两个区域。然后，将图元与它们重叠的区域相关联。如果图元同时位于两个区域，则图元将与两个区域都关联(这与BVH不同，在BVH中，每个图元在拆分后仅分配给两个子组之一)。 拆分过程将递归地继续进行，直到树中的每个叶区域包含足够少的图元，或者直到达到最大深度为止。因为可以将拆分平面放..
【算法】FLANN中kd树构建和查询的简明分析
LeonJin的博客
06-21 4903
K-最近邻(K-Nearest Neighbour, KNN)算法是一种基本分类与回归方法，属于监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本。算法的输入输出如下：输入：输出：在特征匹配的应用中，我们通常找到最接近2个最近邻点（k=2），并在这两个关键点中，若最近的距离除以次近的距离小于指定阈值ratio，则接受这一对匹配点。Low推荐ratio的取值为0.8，但Low对大量存在尺度、旋转和亮度变化的两幅图片进行匹配，实验结果表明ratio取值在0. 4
KD tree-基于树的ANN近邻搜索
fs1341825137的博客
08-04 891
KD-tree 基于树的ANN近邻搜索
KD 树原理详解
实践求真知
12-13 2360
算法和数据结构
点云处理－－－kd-tree
张飞飞的博客
06-01 2030
kd
Python点云数据处理
最新发布
07-27
Python可以使用各种库来处理点云数据。以下是一些常用的库和功能： 1. Open3D：Open3D是一个功能强大的开源库，用于处理和可视化三维数据，包括点云。它提供了许多点云数据的处理功能，例如加载、保存、滤波、重采样、配准、分割等。 2. Pyntcloud：Pyntcloud是一个用于点云数据处理的简单易用的库。它提供了许多点云处理的基本功能，如加载、保存、滤波、可视化等。 3. NumPy：NumPy是Python中常用的数值计算库，也可以用于点云数据处理。你可以使用NumPy来进行矩阵运算、向量化操作和数学运算。 4. SciPy：SciPy是一个科学计算库，它提供了许多数值计算和优化算法。在点云数据处理中，你可以使用SciPy的KDTree或球树来加速最近邻搜索。 5. PCL（Point Cloud Library）：PCL是一个C++库，但也有Python绑定可以使用。它提供了丰富的点云处理算法和工具，包括滤波、配准、分割、特征提取等。 这些库都可以在Python中使用，具体选择哪个取决于你的具体需求和个人偏好。你可以根据需要探索并尝试不同的库来处理点云数据。

“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