Open3D 基于kdtree树的邻近点搜索（10）

一、算法简介

KD 树（k-dimensional tree）是一种用于组织 k 维空间中点的数据结构，旨在提供高效的 k
最近邻搜索和范围搜索（如半径邻域搜索）。KD 树通过递归地将空间划分为多个超立方体区域来组织数据。这种分割方式使得 KD
树能够在搜索时快速地排除大部分不相关的数据点。

在构建 KD
树时，选择一个维度作为切分平面，然后根据这个平面将数据划分成两个子集。在每个子集中，选取下一个维度，再次以该维度上的中值为界限切分数据。重复这个过程，直到每个子集中只包含一个数据点，或者达到了预先设定的最小节点数。这样就构建出了一棵
KD 树。

对于给定的查询点，在 KD 树中可以快速地找到距离最近的点（k 最近邻搜索），或者在指定半径范围内找到所有邻域内的点（范围搜索）。KD
树在计算机图形学、模式识别、机器学习等领域中被广泛应用，可以加速众多与空间相关的算法和问题的求解过程。

二、算法实现

完整代码如下：

import open3d as o3d
import numpy as np

# 创建点云数据
point_cloud = o3d