PCL KD树的使用【2024最新版】

点云侠

已于 2024-12-09 19:18:36 修改

阅读量10w+

点赞数 16

CC 4.0 BY-SA版权

分类专栏： PCL学习文章标签：可视化 c++ 3d 计算机视觉算法

于 2021-02-27 13:14:39 首次发布

本文链接：https://blog.csdn.net/qq_36686437/article/details/114170834

PCL学习专栏收录该内容

264 篇文章 ¥19.90 ¥99.00

订阅专栏

本文介绍了PCL库中KD树的原理和使用，包括建立KD树的过程、近邻搜索方法，并详细讲解了KdTree类的函数。通过实例展示了K近邻搜索、半径搜索及混合搜索的代码实现，并提供了可视化结果。此外，文章还列举了相关参考文献。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

博客长期更新，本文最近一次更新时间为：2024年12月9日。① 优化代码结构和原理介绍；② 代码在PCL1.14.1上运行成功。

一、原理介绍

1、建立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，所有的东西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

了解本专栏