KD-tree learning

Nice features:

• Search for points in a rectangular window in O( sqrt( n ) + k )
• Still O( n ) storage and O( n log n ) construction time

Construction:

struct kdtree{
    Node-data - 数据矢量   数据集中某个数据点，是n维矢量（这里也就是k维）
    Range     - 空间矢量   该节点所代表的空间范围
    split     - 整数       垂直于分割超平面的方向轴序号
    Left      - kd树       由位于该节点分割超平面左子空间内所有数据点所构成的k-d树
    Right     - kd树       由位于该节点分割超平面右子空间内所有数据点所构成的k-d树
    parent    - kd树       父节点  
}

P a set of points, depth the current depth in the tree
BuildKdTree(P,depth)
    if P contains only one point
    then return a leaf storing the point
    else if depth is even
    then
        Split P into two subsets with a vertical line l through the median x-coordinate of the points in P. Let A be the set of points to the left of l or on l, and B be the set of points to the right of l.
    else
         Split P into two subsets with a horizontal line l through the median y-cooridnate of the points in P. Let A be the set of points below l  or on l, and B be the set of points above l.
    Create a node v storing l with children left and right
    left  <- BuildKdTree( A, depth + 1 )
    right  <- BuildKdTree( B, depth + 1 )
    return v

Input:  无序化的点云，维度k
Output：点云对应的kd-tree
Algorithm：
1、初始化分割轴：对每个维度的数据进行方差的计算，取最大方差的维度作为分割轴，标记为r；
2、确定节点：对当前数据按分割轴维度进行检索，找到中位数数据，并将其放入到当前节点上；
3、划分双支：
    划分左支：在当前分割轴维度，所有小于中位数的值划分到左支中；
    划分右支：在当前分割轴维度，所有大于等于中位数的值划分到右支中。
4、更新分割轴：r = (r + 1) % k;
5、确定子节点：
    确定左节点：在左支的数据中进行步骤2；
    确定右节点：在右支的数据中进行步骤2；

Use:

• v a node, R a range
  SearchKdTree( v, R )
  • if v is a leafelse
    • then Report the point stored at v if it lies in R
    • if region( v->left ) is fully contained in Relseif region( v->right ) is fully contained in Relse
      • then ReportSubtree( v->left )
      • if region( v->left ) intersects R
        • then SearchKdTree( v->left, R )
      • then ReportSubtree( v->right )
      • if region( v->right ) intersects R
        • then SearchKdTree( v->right, R )

参考资料：
kD Trees (mit.edu)
KD-Tree原理详解 - 知乎 (zhihu.com)