KD tree原理

一、Kdtree 

KD-Tree原理详解 - 知乎

kd tree是一种变形二叉搜索树，在pcl点云中是很重要的数据结构，在对点云做滤波，三维重建等都是很重要的过程，一棵树创建的好不好都会影响到我们的搜索速度和搜索准度。

kdtree是k维度的二叉树，其中每个节点都是K维的数据，（2,2,1）表示的就是3维的，（2,1）表示的就是2维度的，那么我们看一下kdtree 的数据结构是什么样的：

kdtree 的数据结构

struct   kdtree
{ 
      Node_data;  // 某个节点的点云数据，K=3,(x,y,z), k=6 (x,y,z,r,g,b), 是一个数据矢量
      range; // 表示的是这个节点所代表的空间范围 是一个空间矢量 
      split;  // 垂直与分割超平面的方向和轴序号  是一个整数
      left //  由位于该节点分割超平面左子树空间内所有数据点构成的kd-tree
      right //  由位于该节点分割超平面右子树空间内所有数据点构成的kd-tree
      parent; //该节点的父节点
};

如何来构建一个kdtree :

构建kdtree 是将一个无须的点云排序的过程

{（2,3），（5,4），（9,6），（4,7），（8,1），（7,2）}是点云的数据。

 步骤如下：

1、初始化分割轴

对每个维度的数据进行方差的计算，取得最大方差维度作为分割轴

因此我们选择x轴作为

 2、确定当前的点

对1中我们选择的轴的的维度进行排序，拿到中值2，5，9，4，8，7  的中值是5,7.这种我们可以随便先一个做为当前的点，此处我们就拿（7,2）做为当前的点。

3、划分左右分支

左：（2,3）（5,4）（4.7）

右：（9,6）(8,1)

4、更新分割轴：

将剩下的轴进行方差计算，求出最大的那个方差作为分割轴，这里我们是2维的，所以只能是y轴

5、确定子节点

对步骤4中更新的轴数据进行排序，找出中位数作为当前点，这里我们找到的左节点是（5,4），右边节点是（9.6）

6、再次更新轴
从上面的案例上可以看出我们已经更新到了第三层，我们再次用x 轴作为分割轴

确定当前节点为（5,4），那么左节点就是（2,3），

                                        右节点就是（4,7）

同理我们可以确定（9.6）为当前节点，然后在进行左节点计算：（8,1）

根据重复上述的步骤，我们便可以建立一kdtree.

二维超平面（线）分割：

 

 我们再举一个三维的案例：

(3, 1,4)
(2, 1, 3)
(2, 3, 7)
(1, 4, 4)
(2, 4, 5)
(0, 5, 7)
(6, 1, 4)
(4,0,6)
(4,3,4)
(5,2,5)
(7, 1,6)

假如这都是点云上的点，我们为了显示，分轴就按照（x,y,z）的顺序来，

1 首先按x 轴分，中位数是3 ，那么当前点就是（3,1,4）

左子树就是：

(2, 1, 3)
(2, 3, 7)
(1, 4, 4)
(2, 4, 5)
(0, 5, 7)

 右子树就是：

(4,0,6)
(4,3,4)
(5,2,5)
(7, 1,6)

2、用y轴分，Left 的当前节点就是（）3