点云课程学习——点云结构与查找（一）

# 该文件（result_set）定义了在树中查找数据所需要的数据结构，类似一个中间件import copyclass DistIndex:def __init__(self, distance, index):#初始化类DistIndexself.distance = distanceself.index = indexdef __lt__(self, other):#富比较方法return self.distance < other.distanceclass KNNResultSet:def __init__(self, capacity):self.capacity = capacityself.count = 0self.worst_dist = 1e10self.dist_index_list = []for i in range(capacity):self.dist_index_list.append(DistIndex(self.worst_dist, 0))self.comparison_counter = 0def size(self):return self.countdef full(self):return self.count == self.capacitydef worstDist(self):return self.worst_distdef add_point(self, dist, index):self.comparison_counter += 1if dist > self.worst_dist:returnif self.count < self.capacity:self.count += 1i = self.count - 1while i > 0:if self.dist_index_list[i-1].distance > dist:self.dist_index_list[i] = copy.deepcopy(self.dist_index_list[i-1])i -= 1else:breakself.dist_index_list[i].distance = distself.dist_index_list[i].index = indexself.worst_dist = self.dist_index_list[self.capacity-1].distancedef __str__(self):output = ''for i, dist_index in enumerate(self.dist_index_list):output += '%d - %.2f\n' % (dist_index.index, dist_index.distance)output += 'In total %d comparison operations.' % self.comparison_counterreturn outputclass RadiusNNResultSet:def __init__(self, radius):self.radius = radiusself.count = 0self.worst_dist = radiusself.dist_index_list = []self.comparison_counter = 0def size(self):return self.countdef worstDist(self):return self.radiusdef add_point(self, dist, index):self.comparison_counter += 1if dist > self.radius:returnself.count += 1self.dist_index_list.append(DistIndex(dist, index))def __str__(self):self.dist_index_list.sort()output = ''for i, dist_index in enumerate(self.dist_index_list):output += '%d - %.2f\n' % (dist_index.index, dist_index.distance)output += 'In total %d neighbors within %f.\nThere are %d comparison operations.' \% (self.count, self.radius, self.comparison_counter)return output

# kdtree的具体实现，包括构建和查找import random
import math
import numpy as npfrom result_set import KNNResultSet, RadiusNNResultSet# Node类，Node是tree的基本组成元素
class Node:def __init__(self, axis, value, left, right, point_indices):self.axis = axisself.value = valueself.left = leftself.right = rightself.point_indices = point_indicesdef is_leaf(self):if self.value is None:return Trueelse:return Falsedef __str__(self):output = ''output += 'axis %d, ' % self.axisif self.value is None:output += 'split value: leaf, 'else:output += 'split value: %.2f, ' % self.valueoutput += 'point_indices: 'output += str(self.point_indices.tolist())return output# 功能：构建树之前需要对value进行排序，同时对一个的key的顺序也要跟着改变
# 输入：
#     key：键
#     value:值
# 输出：
#     key_sorted：排序后的键
#     value_sorted：排序后的值
def sort_key_by_vale(key, value):assert key.shape == value.shapeassert len(key.shape) == 1sorted_idx = np.argsort(value)key_sorted = key[sorted_idx]value_sorted = value[sorted_idx]return key_sorted, value_sorteddef axis_round_robin(axis, dim):if axis == dim-1:return 0else:return axis + 1# 功能：通过递归的方式构建树
# 输入：
#     root: 树的根节点
#     db: 点云数据
#     point_indices：排序后的键
#     axis: scalar
#     leaf_size: scalar
# 输出：
#     root: 即构建完成的树
def kdtree_recursive_build(root, db, point_indices, axis, leaf_size):if root is None:root = Node(axis, None, None, None, point_indices)# determine whether to split into left and rightif len(point_indices) > leaf_size:# --- get the split position ---point_indices_sorted, _ = sort_key_by_vale(point_indices, db[point_indices, axis])  # M# 作业1# 屏蔽开始middle_left_idx=math.ceil(point_indices_sorted.shape[0]/2)-1#math.ceil（x）返回大于等于x的最小整数middle_left_point_idx=point_indices_sorted[middle_left_idx]middle_left_point_value=db[middle_left_point_idx,axis]middle_right_idx=middle_left_idx+1#math.ceil（x）返回大于等于x的最小整数middle_right_point_idx=point_indices_sorted[middle_right_idx]middle_right_point_value=db[middle_right_point_idx,axis]root.value=(middle_left_point_value+middle_right_point_value)*0.5root.left=kdtree_recursive_build(root.left,db,point_indices_sorted[0:middle_right_idx],axis_round_robin(axis,dim=db.shape[1]),left_size)root.right=kdtree_recursive_build(root.right,db,point_indices_sorted[middle_right_idx:],axis_round_robin(axis,dim=db.shape[1]),left_size)# 屏蔽结束return root# 功能：翻转一个kd树
# 输入：
#     root：kd树
#     depth: 当前深度
#     max_depth：最大深度
def traverse_kdtree(root: Node, depth, max_depth):depth[0] += 1if max_depth[0] < depth[0]:max_depth[0] = depth[0]if root.is_leaf():print(root)else:traverse_kdtree(root.left, depth, max_depth)traverse_kdtree(root.right, depth, max_depth)depth[0] -= 1# 功能：构建kd树（利用kdtree_recursive_build功能函数实现的对外接口）
# 输入：
#     db_np：原始数据
#     leaf_size：scale
# 输出：
#     root：构建完成的kd树
def kdtree_construction(db_np, leaf_size):N, dim = db_np.shape[0], db_np.shape[1]# build kd_tree recursivelyroot = Noneroot = kdtree_recursive_build(root,db_np,np.arange(N),axis=0,leaf_size=leaf_size)return root# 功能：通过kd树实现knn搜索，即找出最近的k个近邻
# 输入：
#     root: kd树
#     db: 原始数据
#     result_set：搜索结果
#     query：索引信息
# 输出：
#     搜索失败则返回False
def kdtree_knn_search(root: Node, db: np.ndarray, result_set: KNNResultSet, query: np.ndarray):if root is None:return Falseif root.is_leaf():# compare the contents of a leafleaf_points = db[root.point_indices, :]diff = np.linalg.norm(np.expand_dims(query, 0) - leaf_points, axis=1)for i in range(diff.shape[0]):result_set.add_point(diff[i], root.point_indices[i])return False# 作业2# 提示：仍通过递归的方式实现搜索# 屏蔽开始if query[root.axis]<=root.value:kdtree_knn_search(root.left,db,result_set,query)if math.fabs(query[root.axis]-root.value)<result_set.worstDist():kdtree_knn_search(root.right,db,result_set,query)else:kdtree_knn_search(root.right,db,result_set,query)if math.fabs(query[root.axis]-root.value)<result_set.worstDist():knn_search(root.left,db,result_set,query)# 屏蔽结束return False# 功能：通过kd树实现radius搜索，即找出距离radius以内的近邻
# 输入：
#     root: kd树
#     db: 原始数据
#     result_set:搜索结果
#     query：索引信息
# 输出：
#     搜索失败则返回False
def kdtree_radius_search(root: Node, db: np.ndarray, result_set: RadiusNNResultSet, query: np.ndarray):if root is None:return Falseif root.is_leaf():# compare the contents of a leafleaf_points = db[root.point_indices, :]diff = np.linalg.norm(np.expand_dims(query, 0) - leaf_points, axis=1)for i in range(diff.shape[0]):result_set.add_point(diff[i], root.point_indices[i])return False# 作业3# 提示：通过递归的方式实现搜索# 屏蔽开始if query[rooot.axis]<=root.value:kdtree_radius_search(root.left,db,result_set,query)if math.fabs(query[root.axis]-root.value)<result_set.worstDist():kdtree_radius_search(root.right,db,result_set,query)else:kdtree_radius_search(root.right,db,result_set,query)if math.fabs(query[root.axis]-root.value)<result_set.worstDist():kdtree_radius_search(root.left,db,result_set,query)# 屏蔽结束return Falsedef main():# configurationdb_size = 64dim = 3leaf_size = 4k = 1db_np = np.random.rand(db_size, dim)root = kdtree_construction(db_np, leaf_size=leaf_size)depth = [0]max_depth = [0]traverse_kdtree(root, depth, max_depth)print("tree max depth: %d" % max_depth[0])# query = np.asarray([0, 0, 0])# result_set = KNNResultSet(capacity=k)# knn_search(root, db_np, result_set, query)## print(result_set)## diff = np.linalg.norm(np.expand_dims(query, 0) - db_np, axis=1)# nn_idx = np.argsort(diff)# nn_dist = diff[nn_idx]# print(nn_idx[0:k])# print(nn_dist[0:k])### print("Radius search:")# query = np.asarray([0, 0, 0])# result_set = RadiusNNResultSet(radius = 0.5)# radius_search(root, db_np, result_set, query)# print(result_set)if __name__ == '__main__':main()

点云课程学习——点云结构与查找（一）相关推荐

阿里云ACA认证课程学习(阿里云简介掌握云服务器ECS）
阿里云ACA认证课程学习阿里云高校计划 https://developer.aliyun.com/adc/college/ 阿里云简介阿里云成立于2009年9月10日在杭州.北京和硅谷设有研发 ...
计算机网络学习云平台,云计算机网络学习系统,云计算机网络实验室设备
原标题:云计算机网络学习系统,云计算机网络实验室设备 KH-E1云计算机网络实验室设备一.概述 E1系列云计算千兆数字多媒体实时可视化网络交互式教学平台,在计算机工作模式,无PC.无220V强电的状 ...
云服务器学习linux_云服务器怎么选linux系统
我们知道,Linux服务器系统有很多的发行版,包含Ubuntu.Debian.CentOS等体系,这些都是Linux非常出色的开源系统,功能大相径庭,页面和操作步骤略有不同. 下面我们来简单分析下这三 ...
【阿里云课程】图像翻译GAN结构与应用
大家好,继续更新有三AI与阿里天池联合推出的深度学习系列课程,本次更新内容为第11课中的一节,介绍如下: 图像翻译GAN结构与应用本次课程是阿里天池联合有三AI推出的深度学习系列课程第11期,深度生 ...
【阿里云课程】深度学习模型设计：卷积核的设计与优化
大家好,继续更新有三AI与阿里天池联合推出的深度学习系列课程,本次更新内容为第10课中的一节,介绍如下: 卷积核与卷积方式的设计本次课程是阿里天池联合有三AI推出的深度学习系列课程第10期,深度学习 ...
【阿里云课程】分组网络原理，结构发展及设计改进
大家好,继续更新有三AI与阿里天池联合推出的深度学习系列课程,本次更新内容为第10课中的一节,介绍如下: 分组网络原理与结构演变本次课程是阿里天池联合有三AI推出的深度学习系列课程第10期,深度学习 ...
【阿里云课程】残差网络原理，结构发展及有效性理解
大家好,继续更新有三AI与阿里天池联合推出的深度学习系列课程,本次更新内容为第10课中的一节,介绍如下: 残差网络原理与结构演变本次课程是阿里天池联合有三AI推出的深度学习系列课程第10期,深度学习 ...
【阿里云课程】详解深度学习优化：参数初始化，激活函数，标准化，池化
大家好,继续更新有三AI与阿里天池联合推出的深度学习系列课程,本次更新内容为第6课中两节,介绍如下: 第1节:激活函数与参数初始化第1节课内容为:卷积神经网络的上篇,简单介绍卷积神经网络的生物学机制 ...
【阿里云课程】详解深度学习优化：泛化与正则化，学习率与最优化
大家好,继续更新有三AI与阿里天池联合推出的深度学习系列课程,本次更新内容为第6课中两节,介绍如下: 第1节:泛化与正则化第1节课内容为:泛化与正则化,讲述泛化的概念与重要性,各种正则化方法,包括显 ...
阿里云官方学习课程推荐-Linux运维学习路线从事云计算运维相关工作必备技能
阿里云官方学习课程推荐-Linux运维学习路线从事云计算运维相关工作必备技能目前越来越多的企业需要依赖于IT技术发布产品与服务,尤其是电子商务最为明显,它凸显了IT技术在现代企业中的重要性.当企业 ...

点云课程学习——点云结构与查找（一）

点云课程学习——点云结构与查找（一）相关推荐

最新文章

热门文章