本文探讨了点云数据结构化的两种常见方法——八叉树和kd树。八叉树适用于三维空间，简化算法实现，但大数据量时粒度控制与效率成问题。kd树则适用于多维空间，尤其在k邻域查找中表现出色，但建树成本高。结合两者使用可提升效率，但效率与数据量成线性关系。kd树作为平衡二叉树，增删操作后需要重新平衡，而八叉树无此问题，但存在空间浪费。作业要求使用kd树对点云数据进行结构化处理。
激光雷达数据结构化？
4种用来组织数据的数据结构化方式，拥有不同的时间复杂度
八叉树与kd树主要区别？
- 八叉树一般都用于三维空间，若二维空间，可以用四叉树，原理是一模一样的。八叉树，常用于离散化空间，数据划分存储，数据查找等。
- k-d树虽然是二叉树，却适用于k维的空间，而且在k邻域查找时，比较有优势。k-d也长用于数据划分存储，邻域查找等。
二者特性的比较：
- 八叉树算法的算法实现简单，但大数据量点云数据下，其使用比较困难的是最小粒度（叶节点）的确定，粒度较大时，有的节点数据量可能仍比较大，后续查询效率仍比较低，反之，粒度较小，八叉树的深度增加，需要的内存空间也比较大（每个非叶子节点需要八个指针），效率也降低。而等分的划分依据，使得在数据重心有偏斜的情况下，受划分深度限制，其效率不是太高。
- k-d在k邻域查找上比较有优势，但在大数据量的情况下，若划分粒度较小时，建树的开销也较大，但比八叉树灵活些。在小数据量的情况下，其搜索效率比较高，但在数据量增大的情况下，其效率会有一定的下降，一般是线性上升的规律。
- 也有将八叉树和k-d树结合起来的应用，应用八叉树进行大粒度的划分和查找，而后使用k-d树进行细分，效率会有一定的提升，但其搜索效率变化也与数据量的变化有一个线性关系。
- k-d树是一种平衡二叉树，在增删操作后，需要再次平衡其结构，耗费较大的资源，而八叉树不会有此烦恼。
- 八叉树均匀划分，空间浪费。kd树是基于已经有的点进行划分，是使用的最多的点云组织结构。对于搜索来说，kd树比八叉树的效率高
课程2.2节视频3留的作业（点云结构化）
应用kd树的方法实现以下点云数据的组织结构化
903
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
