点云处理之KD树的简单使用（KdTreeFLANN，）

2021-07-10 18:29:31 阅读：1897 来源： 互联网

标签：KD viewer kdtree KdTreeFLANN points pcl 点云 include cloud

一、原理：KD树

    kd-tree 数据结构是计算机科学中⽤来组织具有k维空间中若⼲点的数据结构。它是⼀个具有其他约束 的⼆进位搜索树。K-d树对于范围搜索和最近邻搜索是⾮常有⽤的。为了我们的⽬的，我们通常只处理三  维点云，所以我们所有的k-d树都是三维的。K-d树的每⼀层都使⽤垂直于相应轴的超平⾯，沿着特定的维 度分割所有的⼦级。在树的根部，所有的⼦节点都将根据第⼀维(即，如果第⼀维坐标⼩于根，它将在左⼦ 树中，如果它⼤于根，那么它将明显地在右⼦树中)分割。树中的每⼀层都在下⼀个维度上划分，⼀旦所有 其他维度都被耗尽，就返回到第⼀个维度。构建k-d树最有效的⽅法是使⽤⼀个分区⽅法：将中间点放置在 根部，所有的东⻄都有⼀个更⼩的⼀维值，左边更⼩，右边更⼤。然后，在左树和右⼦树上重复此过程， 直到要分区的最后⼀棵树仅由⼀个元素组成。 如图 1是 k=2 的⼆维数据搜索示意图，kd-tree 的每⼀层为数据的⼀个维度，并以⼀个⼦节点来拆分 该维数据区间，取这⼀维度内⼩于该节点值的数据放在左⼦数，反之⼤于节点值的放在右⼦树。kd-tree 的每⼀层都是在数据的下⼀个维度分开，当数据的维度⽤完时，则重新返回到第⼀个维度继续迭代直⾄确 定所查找的数据，该⽅法使得时间复杂度降低到 。创建 kd-tree常将数据值每个维度的中值作为 分割超平⾯。

二、具体功能：

1、K近邻搜索 nearestKSearch函数

1 int pcl::KdTreeFLANN< PointT, Dist >::nearestKSearch ( const Poin tT & point,
2 unsigned int k,
3 Indices & k_indices,
4 std::vector< float > & k_sqr_distances
5 ) const

    point ：⼀个给定的有效(即有限)查询点 
    k ：要搜索的邻居数量 
    k_indices ：相邻点的合成指数(必须被预先调整为k !) 
    k_sqr_distances ：到相邻点的平⽅距离(必须预先调整为k !)

2、K半径搜索 radiusSearch函数

1 int pcl::KdTreeFLANN< PointT, Dist >::radiusSearch ( const PointT & point, 
2 double radius, 
3 Indices & k_indices, 
4 std::vector< float > & k_sqr_distances,
5 unsigned int max_nn = 0 
6 ) const

     point ：⼀个给定的有效(即有限)查询点 
     radius ：包围p_q所有邻居的球⾯半径 
     k_indices ：相邻点的合成指数 
     k_sqr_distances ：到相邻点的平⽅距离
     max_nn ：如果给定，则返回半径范围内搜索到的邻居的个数限定为这个值。如果max_nn设置为0或 ⼤于输⼊云中的点数，则返回半径内的所有邻居。

简单示例

在这里插入图片描述

三、官网示例：

1、K近邻搜索 nearestKSearch函数

1 #include <iostream> 
2 #include <vector> 
3 #include <pcl/kdtree/kdtree_flann.h> //kdtree近邻搜索 
4 #include <pcl/io/pcd_io.h> //⽂件输⼊输出 
5 #include <pcl/point_types.h> //点类型相关定义 
6 #include <pcl/visualization/pcl_visualizer.h>//可视化相关定义 
7 #include <boost/thread/thread.hpp> 
8 using namespace std; 
9
10 int main() 
11 { 
12 //读取点云数据 
13 pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCl oud<pcl::PointXYZRGB>); 
14 if (pcl::io::loadPCDFile<pcl::PointXYZRGB>("Road - Cloud.pcd" , *cloud) == -1) 
15 { 
16 PCL_ERROR("Cloudn't read file!"); 
17 return -1; 
18 } 
19
20 //建⽴kd-tree 
21 pcl::KdTreeFLANN<pcl::PointXYZRGB> kdtree; //建⽴kdtree对象 
22 kdtree.setInputCloud(cloud); //设置需要建⽴kdtree的点云指针 
23
24 //K近邻搜索 
25 pcl::PointXYZRGB searchPoint = cloud->points[1000]; //设置查找点 
26 cloud->points[1000].r = 0;//查询点着⾊（绿⾊） 
27 cloud->points[1000].g = 255; 
28 cloud->points[1000].b = 0; 
29 int K = 100; //设置需要查找的近邻点个数 
30 vector<int> pointIdxNKNSearch(K); //保存每个近邻点的索引 
31 vector<float> pointNKNSquaredDistance(K); //保存每个近邻点与查找 点之间的欧式距离平⽅ 
32
33 cout << "K nearest neighbor search at (" << searchPoint.x 
34 << " " << searchPoint.y 
35 << " " << searchPoint.z 
36 << ") with K=" << K << endl; 
37
38 if (kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0) 
39 { 
40 for (size_t i = 1; i < pointIdxNKNSearch.size(); ++i){ // i=1时不包含被查询点本身，i=0时包含被查询点 
41 cloud->points[pointIdxNKNSearch[i]].r = 255;//查询点邻 域内的点着⾊ 
42 cloud->points[pointIdxNKNSearch[i]].g = 0; 
43 cloud->points[pointIdxNKNSearch[i]].b = 0; 
44 } 
45 } 
46 cout << "K = 100近邻点个数：" << pointIdxNKNSearch.size() << en dl; 
47 //可视化 
48 boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(n ew pcl::visualization::PCLVisualizer("3D Viewer")); 
49 pcl::visualization::PointCloudColorHandlerRGBField<pcl::Point XYZRGB> rgb(cloud); 
50 viewer->addPointCloud<pcl::PointXYZRGB>(cloud, "sample cloud" ); 
51 viewer->setPointCloudRenderingProperties(pcl::visualization:: PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud"); // 设置点云⼤⼩ 
52 while (!viewer->wasStopped()) 
53 { 
54 viewer->spinOnce(100); 
55 boost::this_thread::sleep(boost::posix_time::microseconds(10000)); 
56 } 
57
58 return 0; 
59 }

2、K半径搜索 radiusSearch函数

1 #include <iostream> 
2 #include <vector> 
3 #include <pcl/kdtree/kdtree_flann.h> //kdtree近邻搜索 
4 #include <pcl/io/pcd_io.h> 
5 #include <pcl/point_types.h> 
6 #include <pcl/visualization/pcl_visualizer.h>//可视化相关定义 
7
8 using namespace std; 
9
10 int main() 
11 { 
12 //读取点云 
13 pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCl oud<pcl::PointXYZRGB>); 
14 if (pcl::io::loadPCDFile<pcl::PointXYZRGB>("Road - Cloud.pcd" , *cloud) == -1) 
15 { 
16 PCL_ERROR("Cloudn't read file!"); 
17 return -1; 
18 } 
19
20 //建⽴kd-tree 
21 pcl::KdTreeFLANN<pcl::PointXYZRGB> kdtree; //建⽴kdtree对象 
22 kdtree.setInputCloud(cloud); //设置需要建⽴kdtree的点云指针 
23 //radius半径搜索 
24 pcl::PointXYZRGB searchPoint = cloud->points[1000]; //设置查 找点 
25 cloud->points[1000].r = 0; 
26 cloud->points[1000].g = 255;
27 cloud->points[1000].b = 0; 
28 vector<int> pointIdxRadiusSearch; //保存每个近邻点的索引 
29 vector<float> pointRadiusSquaredDistance; //保存每个近邻点与查找 点之间的欧式距离平⽅ 
30 float radius = 3; //设置查找半径范围 
31 cout << "Neighbors within radius search at (" << searchPoint. x 
32 << " " << searchPoint.y 
33 << " " << searchPoint.z 
34 << ") with radius=" << radius << endl; 
35
36 if (kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSe arch, pointRadiusSquaredDistance) > 0) 
37 { 
38 for (size_t i = 1; i < pointIdxRadiusSearch.size(); ++i){ 
39 cloud->points[pointIdxRadiusSearch[i]].r = 255; 
40 cloud->points[pointIdxRadiusSearch[i]].g = 0; 
41 cloud->points[pointIdxRadiusSearch[i]].b = 0; 
42 } 
43 } 
44 cout << "半径3近邻点个数： " << pointIdxRadiusSearch.size() << e ndl; 
45 //可视化 
46 boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(n ew pcl::visualization::PCLVisualizer("3D Viewer")); 
47 pcl::visualization::PointCloudColorHandlerRGBField<pcl::Point XYZRGB> rgb(cloud); 
48 viewer->addPointCloud<pcl::PointXYZRGB>(cloud, "sample cloud" ); 
49 viewer->setPointCloudRenderingProperties(pcl::visualization:: PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud"); // 设置点云⼤⼩ 
50 while (!viewer->wasStopped()) 
51 { 
52 viewer->spinOnce(100);
53 boost::this_thread::sleep(boost::posix_time::microseconds (10000)); 
54 } 
55
56 return 0; 
57 }

三、结果

在这里插入图片描述

标签：KD,viewer,kdtree,KdTreeFLANN,points,pcl,点云,include,cloud
来源： https://blog.csdn.net/weixin_44329757/article/details/118638186

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

点云处理之KD树的简单使用（KdTreeFLANN，）

一、原理：KD树

二、具体功能：

1、K近邻搜索 nearestKSearch函数

2、K半径搜索 radiusSearch函数

简单示例

三、官网示例：

1、K近邻搜索 nearestKSearch函数

2、K半径搜索 radiusSearch函数

三、结果