pclpy OC-Tree “体素内的邻居搜索”、“K 最近邻搜索”和“半径内的邻居搜索”

一、算法原理

1.介绍

八叉树是一种用于组织稀疏 3-D 数据的基于树的数据结构。

八叉树是一种基于树的数据结构，用于管理稀疏 3-D 数据。每个内部节点正好有八个子节点。在本教程中，我们将学习如何使用八叉树在点云数据中进行空间分区和邻居搜索。

2.“体素内的邻居搜索”、“K 最近邻搜索”和“半径内的邻居搜索”

体素内的邻居搜索

这里使用的第一种搜索方法是“体素内的邻居搜索”。它将搜索点分配给相应的叶节点体素并返回点索引向量。这些指数与落在同一体素内的点有关。因此，搜索点和搜索结果之间的距离取决于八叉树的分辨率参数。

# 体素最近邻搜索
pointIdxVec = pclpy.pcl.vectors.Int()

if octree.voxelSearch(searchPoint, pointIdxVec) > 0:
    print('Neighbors within voxel search at (', searchPoint.x,
          '', searchPoint.y,
          '', searchPoint.z, ')\n')
    for i in range(len(pointIdxVec)):
        print("  ", cloud.x[pointIdxVec[i]],
              " ", cloud.y[pointIdxVec[i]],
              " ", cloud.z[pointIdxVec[i]], "\n")

K 最近邻搜索

在此示例中，K 设置为 10。“K 最近邻搜索”方法将搜索结果写入两个单独的向量。第一个 pointIdxNKNSearch 将包含搜索结果（索引引用关联的 PointCloud 数据集）。第二个向量保存搜索点和最近邻居之间的相应平方距离。

# # k最近邻搜索
k = 10
pointIdxNKNSearch = pcl.vectors.Int()
pointNKNSquaredDistance = pcl.vectors.Float()

print('K nearest neighbor search at (', searchPoint.x,
      '', searchPoint.y,
      '', searchPoint.z,
      ') with k =', k)
if octree.nearestKSearch(searchPoint, k, pointIdxNKNSearch, pointNKNSquaredDistance) > 0:
    for i in range(len