Open3d学习计划——10（KDTree）

欢迎大家关注“点云PCL”公众号，进入群聊一起学习。
学习计划 9 由另一位小伙伴翻译，题目为：Open3d 学习计划——9（ICP配准）需要学习的朋友可以点击题目进入。

KDTree

Open3d使用FLANN构建KDTree以便进行快速最近邻检索。

从点云中建立KDTree

下面的代码读取一个点云并且构建一个KDTree。这是下面最邻近查询的需处理步骤。

print("Testing kdtree in open3d ...")
print("Load a point cloud and paint it gray.")
pcd = o3d.io.read_point_cloud("../../TestData/Feature/cloud_bin_0.pcd")
pcd.paint_uniform_color([0.5, 0.5, 0.5])
pcd_tree = o3d.geometry.KDTreeFlann(pcd)

Testing kdtree in open3d …
Load a point cloud and paint it gray.

寻找邻域点

我们选择了1500个点作为锚点(anchor point)，并将其涂为红色。

print("Paint the 1500th point red.")
pcd.colors[1500] = [1, 0, 0]

Paint the 1500th point red.

使用 search_radius_vector_3d

类似的，我们能够使用 search_radius_vector_3d 去查询所有的和锚点距离小于给定半径的点，将其涂成绿色。

print("Find its neighbors with distance less than 0.2, paint green.")
[k, idx, _] = pcd_tree.search_radius_vector_3d(pcd.points[1500], 0.2)
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]

Find its neighbors with distance less than 0.2, paint green.

print("Visualize the point cloud.")
o3d.visualization.draw_geometries([pcd], zoom=0.5599,
                                  front=[-0.4958, 0.8229, 0.2773],
                                  lookat=[2.1126, 1.0163, -1.8543],
                                  up=[0.1007, -0.2626, 0.9596])

Visualize the point cloud.

Note:
除了KNN搜索(search_knn_vector_3d)和RNN搜索(search_radius_vector_3d)以外,Open3d还提供了混合搜索函数(search_hybrid_vector_3d)。它最多返回K个和锚点距离小于给定半径的最邻近点。这个函数结合了KNN和RNN的搜索条件，在某些文献中也被称作RKNN搜索。在许多情况下它有着性能优势,并且在Open3d的函数中大量的使用.

关于翻译大家有更好的意见欢迎评论一起学习！！！

欢迎大家关注“点云PCL”公众号，进入群聊一起学习。