基础知识（六）KD-Tree快速最近邻搜索

最新推荐文章于 2021-10-24 21:18:17 发布

hjimce

最新推荐文章于 2021-10-24 21:18:17 发布

阅读量6.2k

点赞数 2

分类专栏：基础知识

本文链接：https://blog.csdn.net/hjimce/article/details/47297241

版权

基础知识专栏收录该内容

30 篇文章 2 订阅

订阅专栏

flann库是比较常用的k近邻搜索库，支持n维数据点的快速搜索，同时许多开源库也都是用这个，比如opencv，还有点云处理的库PCL。因为opencv也可以调用这个库，所以我直接用opencv进行调用。如果不想要引入opencv库，可以网上下载flann，然后调用里面的c++源码。调用flann需要包含头文件：flann.hpp。在此直接贴个调用这个库，进行快速最近邻快速搜索的函数：

//输入n个数据点vec_hogs，搜索点hog的最近邻，返回最近邻的索引
int	 getNearIndex(vector<vector<float>>  vec_hogs,std::vector<float> hog)
{
//把n个数据点转为flann参数矩阵形式
	int n_feature=hog.size();//特征维数
	cv::Mat brow_mat(vec_hogs.size(),n_feature,CV_32FC1);//把数据点存为矩阵，其中，M(i,j)表示第i个点的第j维数据
	for (int i=0;i<vec_hogs.size();i++)
	{
		vector<float>&brow_vec=vec_hogs[i];
		for (int j=0;j<brow_vec.size();j++)
		{
			brow_mat.at<float>(i,j)=brow_vec[j];
		}
	}
//建立kd树
	flann::Index knn( brow_mat,cv::flann::KDTreeIndexParams());
//把数据点hog转换成矩阵  ，矩阵大小为1行, n_feature列,
//如果你要同时搜索m个数据点的最近邻点，那么矩阵为m行，n_feature列
	cv::Mat ser(1,n_feature,CV_32FC1);
	for (int i=0;i<hog.size();i++)
	{
		ser.at<float>(0,i)=hog[i];
	}
//搜索
	int num_knn=1;//这个参数是用于设置搜索最邻近点的个数的，因为我只要搜索一个最近的点，所以设置为1
	cv::Mat nearest_index_result;
	cv::Mat nearest_dist_result;
	knn.knnSearch(ser,nearest_index_result,nearest_dist_result,num_knn);   
//获取结果，返回的nearest_index_result、nearest_dist_result矩阵的大小为(ser.rows,num_knn)，因为我这里指搜索一个数据点的一个最近邻点，所以返回的
//矩阵大小为(1,1)
	float  nearest_dist=nearest_dist_result.at<float>(0,0);
	int nearest_index=nearest_index_result.at<int>(0,0);

	return nearest_index;
}

最后我发现flann不仅可以构建快速最近邻搜索树，而且还有保存树、读取树的API接口函数。之前搞三角网格曲面，交互的时候，因为有的三角网格模型点非常多，需要经常用到kd-tree，但是如果我把kd-tree构建完后，然后进行某个功能的使用，是用完后，为了避免内存浪费，当然要把它删了。可是我某一时刻要使用另外的一个功能，又要用到kd-tree，这样每次都重复构建kd-tree，感觉好麻烦，这个时候我们就可以用flann的树索引保存的方法，来实现了，废话不多说……

构建kd-tree，并保存。然后通过读取的方式，构建kd树，实现调用方法如下：

//输入n个数据点vec_hogs，搜索点hog的最近邻，返回最近邻的索引
int	 getNearIndex(vector<vector<float>>  vec_hogs,std::vector<float> hog)
{
//把n个数据点转为flann参数矩阵形式
	int n_feature=hog.size();//特征维数
	cv::Mat brow_mat(vec_hogs.size(),n_feature,CV_32FC1);//把数据点存为矩阵，其中，M(i,j)表示第i个点的第j维数据
	for (int i=0;i<vec_hogs.size();i++)
	{
		vector<float>&brow_vec=vec_hogs[i];
		for (int j=0;j<brow_vec.size();j++)
		{
			brow_mat.at<float>(i,j)=brow_vec[j];
		}
	}
//建立kd树
	flann::Index knn( brow_mat,cv::flann::KDTreeIndexParams());
	//把构建树的索引保存下来
	knn.save("kd_treed.fln");

//把数据点hog转换成矩阵  ，矩阵大小为1行, n_feature列,
//如果你要同时搜索m个数据点的最近邻点，那么矩阵为m行，n_feature列
	cv::Mat ser(1,n_feature,CV_32FC1);
	for (int i=0;i<hog.size();i++)
	{
		ser.at<float>(0,i)=hog[i];
	}
//搜索
	int num_knn=1;//这个参数是用于设置搜索最邻近点的个数的，因为我只要搜索一个最近的点，所以设置为1
	cv::Mat nearest_index_result;
	cv::Mat nearest_dist_result;

//直接读取文件 kd_treed.fln，这样可以避免有的时候需要重复搜索最近邻点，而需要重复构建kd树
	//第一个参数必须是原有数据，第二个参数调用函数cv::flann::SavedIndexParams()加载索引
	cv::flann::Index flann_index(brow_mat,cv::flann::SavedIndexParams("kd_treed.fln"));
	//搜索最近邻点
	flann_index.knnSearch(ser,nearest_index_result,nearest_dist_result,num_knn);   

//获取结果，返回的nearest_index_result、nearest_dist_result矩阵的大小为(ser.rows,num_knn)，因为我这里指搜索一个数据点的一个最近邻点，所以返回的
//矩阵大小为(1,1)
	float  nearest_dist=nearest_dist_result.at<float>(0,0);
	int nearest_index=nearest_index_result.at<int>(0,0);
	return nearest_index;
}