KD树算法

最新推荐文章于 2024-07-22 14:37:31 发布

qintianhaohao

最新推荐文章于 2024-07-22 14:37:31 发布

阅读量1k

点赞数

分类专栏：笔记

本文链接：https://blog.csdn.net/qintianhaohao/article/details/80960436

版权

这篇博客介绍了KD树算法，主要用于最近邻匹配。通过参考多个在线资源，包括HDU ACM问题、CSDN博客文章等，详细阐述了KD树的原理和使用方法。

摘要由CSDN通过智能技术生成

学习了KD树算法，用来进行最近邻匹配，其伪代码如下：

# KD树算法的伪代码

# 节点结构：
# node{
#     node_data   # 节点数据
#     node_left   # 左子树
#     node_right  # 右子树
#     node_parrent# 父节点
#     node_s      # 维度序号
# }

# 建立KD树：
# 输入：点集list
# 输出：KD树根节点
def build_tree(list):
    if list is None:
        return None
    # 计算所有点在每一维的方差并排序，从方差最大的维度vi维开始建树
    # 提取点集在vi维的中间点，该点为根节点tree_node
    for point in other_points:
        if point[vi] < tree_node[vi]:
            left_points.append(point)
        else:
            right_points.append(point)
    build_tree(left_points)
    # 设置点集 left_points 根节点的父节点为 tree_node
    build_tree(right_points)
    # 设置点集 right_points 根节点的父节点为 tree_node

# 查找最近邻：
# 输入：KD树根节点kd, 目标点target
# 输出：与 target 最近点 min_node, 最近距离 min_dis
def find_nn(kd, target):
    if kd is None:
        return 'kdTree is None'
    while kd is not None:       # 步骤1：二叉树搜索