前言
在使用pcl处理点云的过程中,发现kdtree使用率比较高,这里总结一下应用kdtree需要注意的几点
一、pcl kdtree的构建
目前在pcl中遇到的有两种方式(每种方式都可构建智能指针或者对象)
1. 方式1(flann)
#include <pcl/kdtree/kdtree_flann.h>
/****构建kdtree智能指针****/
//设定kd-tree的智能指针
pcl::KdTreeFLANN<pcl::PointXYZI>::Ptr kdtree(new pcl::KdTreeFLANN<pcl::PointXYZI>());
//输入三维点云,构建kd-tree
kdtree->setInputCloud(cloud);
/****构建kdtree对象****/
pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
kdtree.setInputCloud(cloud);
2. 方式2(search)
#include <pcl/search/kdtree.h>
/****构建kdtree智能指针****/
pcl::search::KdTree<pcl::PointXYZ> ::Ptr kdtree(new pcl::search::KdTree<pcl::PointXYZ>);
kdtree->setInputCloud(cloud);
/****构建kdtree对象****/
pcl::search::KdTree<pcl::PointXYZ> kdtree;
kdtree.setInputCloud(cloud);
二、pcl kdtree查找近邻点
1.按近邻点查找
int K = ..;//表示准备搜索的近邻点数量
std::vector<int> vid(K); // 设置一个整型的<vector>,用于存放第几近邻的索引
std::vector<float> vdis(K); // 设置一个浮点型的<vector>, 用于存放第几近邻与查询点的平方距离
//可以输入id
if (kdtree.nearestKSearch(id, K, vid, vdis) == K)
{
...
}
//也可以输入具体的某个点,这个点甚至可以不是cloud的点
if (kdtree.nearestKSearch(pointT, K, vid, vdis) == K)
{
...
}
2.按半径查找
int K = ..;//表示要搜索的半径大小
std::vector<int> vid; // 设置一个整型的<vector>,用于存放第几近邻的索引
std::vector<float> vdis; // 设置一个浮点型的<vector>, 用于存放第几近邻与查询点的平方距离
//可以输入id
if (kdtree.radiusSearch(id, K, vid, vdis) > 0)
{
...
}
//也可以输入具体的某个点,这个点甚至可以不是cloud的点
if (kdtree.radiusSearch(pointT, K, vid, vdis) > 0)
{
...
}
总结
在点云处理中,kdtree有着很广泛的用途,利用kdtree快速的查找近邻点,从而求取点云密度、区域生长等等。