CloudCompare 中的 KDTree详解

CloudCompare 中的 KDTree 详解

1. 什么是 KDTree？

KDTree 是 K 维空间划分树（K-Dimensional Tree），它是一种 用于高效查找最近邻点 的数据结构。
CloudCompare 中的 KDTree 主要用于：

• 最近邻搜索（Nearest Neighbor Search）
• 点云匹配和 ICP（Iterative Closest Point）配准
• 点云去噪
• 半径范围搜索
• 点云加速索引

相比 DgmOctree（八叉树），KDTree 在 高维数据查找 方面更高效，特别是在 点云数据较大 时。

---

2. KDTree 的核心数据结构

KDTree 主要由 KdCell 结构体和 KD 树递归构建、搜索等方法 组成。

class CC_CORE_LIB_API KDTree
{
public:
    //! 默认构造函数
    KDTree();

    //! 析构函数
    virtual ~KDTree();

    //! 构建 KD 树
    bool buildFromCloud(GenericIndexedCloud* cloud, GenericProgressCallback* progressCb = nullptr);

    //! 获取构建 KD 树的点云
    GenericIndexedCloud* getAssociatedCloud() const { return m_associatedCloud; }

    //! 进行最近邻搜索
    bool findNearestNeighbour( const PointCoordinateType* queryPoint,
                               unsigned& nearestPointIndex,
                               ScalarType maxDist );

    //! 进行带最大距离约束的最近邻搜索
    bool findNearestNeighbourWithMaxDist( const PointCoordinateType* queryPoint,
                                          ScalarType maxDist );

    //! 在给定距离范围内查找点
    unsigned radiusSearch( const PointCoordinateType* queryPoint,
                           ScalarType distance,
                           ScalarType tolerance,
                           std::vector<unsigned>& pointIndexes );

protected:
    struct KdCell
    {
        unsigned cuttingDim;         // 划分维度（x/y/z）
        PointCoordinateType cuttingCoordinate;  // 划分位置
        struct KdCell* leSon;       // 左子节点
        struct KdCell* gSon;        // 右子节点
        struct KdCell* father;      // 父节点
        unsigned startingPointIndex; // 该单元格中的起始点索引
        unsigned nbPoints;           // 该单元格包含的点数

        CCVector3 inbbmax; // 内部包围盒最大坐标
        CCVector3 inbbmin; // 内部包围盒最小坐标
        CCVector3 outbbmax; // 外部包围盒最大坐标
        CCVector3 outbbmin; // 外部包围盒最小坐标
    };

    KdCell* m_root;                    // 根节点
    std::vector<unsigned> m_indexes;    // 点索引
    GenericIndexedCloud* m_associatedCloud; // 关联的点云数据
    unsigned m_cellCount;               // 树中的单元格数
};

---

3. KDTree 的主要功能

（1）构建 KD 树

CloudCompare 通过 KDTree::buildFromCloud() 方法来 构建 KD 树：

CCCoreLib::KDTree kdTree;
kdTree.buildFromCloud(&cloud);

构建 KD 树后，点云数据被组织成 层级化的树结构，便于加速最近邻搜索。

---

（2）最近邻搜索

🔹 findNearestNeighbour() 方法

查找最近邻点：

CCCoreLib::KDTree kdTree;
unsigned nearestPointIndex;
CCVector3 queryPoint(1.0, 2.0, 3.0);
bool found = kdTree.findNearestNeighbour(queryPoint.u, nearestPointIndex, 10.0);

• queryPoint 是查询点
• nearestPointIndex 返回找到的最近邻点索引
• 10.0 是搜索的最大距离阈值

返回值：

• true：找到最近点，且其距离 ≤ maxDist
• false：未找到

---

🔹 findNearestNeighbourWithMaxDist() 方法

优化的最近邻搜索，仅判断是否存在某个点在 maxDist 以内：

bool exists = kdTree.findNearestNeighbourWithMaxDist(queryPoint.u, 10.0);

比 findNearestNeighbour() 速度更快，因为它不需要返回最近点的具体索引。

---

（3）半径范围搜索

radiusSearch() 方法用于 查找所有位于给定半径范围内的点：

std::vector<unsigned> neighbors;
float searchRadius = 5.0;
float tolerance = 0.1;
unsigned count = kdTree.radiusSearch(queryPoint.u, searchRadius, tolerance, neighbors);

返回 位于 [radius - tolerance, radius + tolerance] 之间的所有点的索引。

---

（4）递归 KD 树操作

KD 树的搜索和索引操作涉及递归遍历：

🔹 计算点到单元格的距离

ScalarType distance = kdTree.pointToCellSquareDistance(queryPoint.u, kdCell);

计算点到 KD 树单元格的平方距离。

---

🔹 递归遍历 KD 树查找最近点

int closestIndex = kdTree.checkClosestPointInSubTree(queryPoint.u, maxDist, kdCell);

• 递归遍历 KD 树
• 仅返回 比 maxDist 更近的点
• 用于优化搜索速度

---

4. KDTree vs DgmOctree

数据结构	KDTree	DgmOctree
主要用途	最近邻搜索	点云索引、邻域搜索
适用数据	任意维度的点云数据	三维点云
构建复杂度	O(n log n)	O(n)
查询速度	O(log n)	O(log n)
适用场景	ICP、点匹配、密集点云处理	点云分割、降采样、大规模点云

---

5. KDTree 的应用

（1）ICP（迭代最近点）配准

CloudCompare 使用 KDTree 来 加速 ICP 计算最近邻点：

CCCoreLib::ICPRegistrationTools::Parameters params;
params.kdTree = &kdTree;  // 使用 KD 树加速
CCCoreLib::ICPRegistrationTools::Result result;
CCCoreLib::ICPRegistrationTools::Register(&sourceCloud, &targetCloud, params, result);

---

（2）点云去噪

在 CloudCompare 进行 统计滤波 时，可用 KDTree 进行 K 近邻搜索：

std::vector<unsigned> neighbors;
unsigned k = 10;  // 查找最近的 10 个邻居
for (size_t i = 0; i < cloud.size(); ++i)
{
    kdTree.findNearestNeighbour(cloud.getPoint(i).u, k, neighbors);
}

• 计算点周围的 均值和标准差
• 过滤掉离群点（噪声）

---

（3）点云匹配

CloudCompare 进行 点云配准时，可以使用 KDTree 加速最近邻搜索，从而提高计算效率。

---

6. 总结

✅ KDTree 是 加速最近邻搜索 的核心数据结构
✅ 适用于 ICP、点云去噪、K 近邻搜索、半径范围查询
✅ 对于 大规模点云数据，KDTree 比 DgmOctree 更高效
✅ CloudCompare 通过 KDTree 优化 ICP 配准、点云匹配和点云降噪