kd-tree浅析

        在点云索引，查找最近邻和范围搜索，最常用、高效的手段就是构建kd-tree。        

        kd-tree，是k维的二叉树。其中的每一个节点都是k维的数据，对于点云处理，使用的则是3维kd树。kd-tree的构建就是按照某种顺序将无序化的点云进行有序化排列。

kd-tree的数据结构：

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  
}

算法构建流程：

Input:  无序化的点云，维度k
Output：点云对应的k维的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；

总结：方差较大的作为待分割的轴(可以有效减小搜索时间)，具体以该维度的中位数节点作为分割点，然后根据中位数将样本数据分割到左、右枝，重复以上步骤。

参考：KD-Tree原理详解 - 知乎 (zhihu.com)