ikdtree解析

kdtree

先回顾一下kdtree的基本知识。
kdtree是可以存储K维数据的二叉树。
建树算法：

step1、初始化，确定根节点。
step2、
				确定当前节点的分割轴
				对所有点依据分割轴上的分量进行排序，找到中值。
				中值两侧的点划分为新的左右子树node，并执行递归。
step4、node中包含的点的数量足够小，则停止。

分割轴可以按照维度顺序选取，如x-y-z。
建树时间复杂度：
$O(nlog(n)\ast log(n))$, $nlog(n)$ 是排序的时间复杂度，$log(n)$是树的层数。
空间复杂度：
需要保存N个点，每个点k维度，所需空间kN, 每个node需要保存所属的全部点的index，树的任意一层所需空间N，一共
log(N)层，则总共的空间复杂度为 $O(kN+Nlog(N))$
优化的trick:
1、排序改为找中值算法，如std::nth_element， 或者用平均值代替,此时建树复杂度为$O(Nlog(N))$。
2、自适应分割轴选取 - 分割轴的选取采用协方差最大原则。
附KDTREE建树时间复杂度证明
$T(N)=2\ast T(N/2)+O(N)=2\ast (2\ast T(N/4)+O(N/2))+O(N)=4\ast T(N/4)+O(2\ast N)$
$...=N\ast T(1)+O((K-1)N)$
其中$T(1)=0$,因为最后一个点时会直接退出。
K为二叉树的层数，$K-1=log(N)$, 所以
$T(N)=O(Nlog(N))$

ikdtree

       与许多kdtree的实现不同，kdtree通常只在叶子节点保存point，而ikdtree会在叶子节点和内部节点都存储对应point，从而更好的支持动态点插入与re-balancing.
建树
       构造ikdtree类似于构建普通的kdtree.
增量更新
       ikdtree的增量更新是指先进行增量操作，再进行re-balancing的整个过程。支持点操作和盒操作，点操作是指操作单一一个点，而盒操作是指操作一个给定轴对齐盒子内的全部点。
       常用ikdtree的更新方法是：基于点操作的插入新点，并通过盒操作的删除点。

点插入以及同时降采样
       ikdtree支持同时插入点以及降采样，伪代码如下图所示：

解析：
输入：给定激光点p以及降采样voxel resolution l。
第二行：用降采样分辨率为l的cube对空间进行划分，并获取点p所属于cube $C_D$。
第三行：算法仅保留最靠近cube中心的point，因此求解$C_D$的中心坐标$p_{center}$。
第四行~第五行：在kdtree中搜索$C_D$包含的点，并将这些点与新点P一起保存在V中。如何搜索出体素内的点？？需要看看源码
第六行：计算V中所有点到$C_D$中心的距离，并找到最近的那一个点$p_{nearest}$。
第七行：$C_D$的所有点被删除。
第八行：$p_{nearest}$插入到kdtree。

插入算法-Function Insert():
采用递归实现
第12~14行：从根节点向下搜索，直到找到一个空节点来追加一个新节点。
第15行：获取当前kdtree的分割轴序号ax。
第16~20行:将当前点p在轴上的分量与当前node的分量进行比较，
                        若<,则进入左子树递归搜索，否则进入右子树递归搜索。
第21行：更新树的属性(treesize、range)。
第22行：对新点加入后的子树进行平衡准则检查和维护，以保证ikdtree的平衡性。

下一节介绍 box-wise delete, 待续…