PCL中利用KD-Tree搜索空间点云最临近点源码
0 关于KD-Tree
关于kd-tree的基本原理和构造实现情况可以参考博文:《KD-Tree结构与算法原理》
1 PCL中使用kd-tree进行最近邻点搜索
先分部解释,完整代码见第二部分。
1.1 最近邻搜索关键函数
int pcl::search::KdTree< PointT, Tree >::nearestKSearch (
const PointT & point,
int k,
std::vector< int > & k_indices,
std::vector< float > & k_sqr_distances
) const
其中参数对应分别为:
- point:输入的目标点
- k: 选取的最近点个数
- k_indices:最近点的下标集合
- k_sqr_distances: 对应点到目标点的距离平方集合
返回的int返回值为找到的点的个数。
1.2 半径邻域搜索
int pcl::search::KdTree< PointT, Tree >::radiusSearch(
const PointT & point,
int radius,
std::vector< int > & k_indices,
std::vector< float > & k_sqr_distances
) const
其中参数对应分别为:
- point:输入的目标点
- radius: 搜索半径
- k_indices:最近点的下标集合
- k_sqr_distances: 对应点到目标点的距离平方集合
返回的int返回值为找到的点的个数。
具体使用方法见下方代码。
2 例程
//
// Created by greg on 5/5/21.
//#include <pcl/pcl_base.h>
#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>#include <iostream>
#include <vector>
#include <ctime>int main(int argc,char** argv)
{//初始化随机数srand (time (NULL));pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);// 初始化及生成点云数据cloud->width = 1000;cloud->height = 1;cloud->points.resize (cloud->width * cloud->height);//利用随机数生成for (std::size_t i = 0; i < cloud->points.size (); ++i){cloud->points[i].x = 1024.0f * rand () / (RAND_MAX + 1.0f);cloud->points[i].y = 1024.0f * rand () / (RAND_MAX + 1.0f);cloud->points[i].z = 1024.0f * rand () / (RAND_MAX + 1.0f);}//初始化输入点集与目标点pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;kdtree.setInputCloud (cloud);pcl::PointXYZ searchPoint;searchPoint.x = 1024.0f * rand () / (RAND_MAX + 1.0f);searchPoint.y = 1024.0f * rand () / (RAND_MAX + 1.0f);searchPoint.z = 1024.0f * rand () / (RAND_MAX + 1.0f);// K nearest neighbor 搜索,指定大小为10个点int K = 10;std::vector<int> pointIdxNKNSearch(K);std::vector<float> pointNKNSquaredDistance(K);std::cout << "K nearest neighbor search at (" << searchPoint.x<< " " << searchPoint.y<< " " << searchPoint.z<< ") with K=" << K << std::endl;if ( kdtree.nearestKSearch (searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0 ){for (std::size_t i = 0; i < pointIdxNKNSearch.size (); ++i)std::cout << " " << cloud->points[ pointIdxNKNSearch[i] ].x<< " " << cloud->points[ pointIdxNKNSearch[i] ].y<< " " << cloud->points[ pointIdxNKNSearch[i] ].z<< " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;}// 半径邻域搜索std::vector<int> pointIdxRadiusSearch;std::vector<float> pointRadiusSquaredDistance;float radius = 256.0f * rand () / (RAND_MAX + 1.0f);std::cout << "Neighbors within radius search at (" << searchPoint.x<< " " << searchPoint.y<< " " << searchPoint.z<< ") with radius=" << radius << std::endl;if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0 ){for (std::size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)std::cout << " " << cloud->points[ pointIdxRadiusSearch[i] ].x<< " " << cloud->points[ pointIdxRadiusSearch[i] ].y<< " " << cloud->points[ pointIdxRadiusSearch[i] ].z<< " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;}return 0;
}
输出结果:
其中第一部分为k近邻搜索结果,输出找到的点以及距离平方。第二部分为半径邻域搜索结果,因为给出的半径r为随机数,所以搜索结果数量会变化。
PCL中利用KD-Tree搜索空间点云最临近点源码相关推荐
- iOS中利用UISearchBar实现搜索
先把源码贴出来 https://github.com/losedMemory/ZSSearchBar 这是我在github上写的一个Demo,大家可以看看 在大多数app中都会用到搜索功能,那么搜 ...
- Struts2中利用s:tree显示树的问题
在struts2的文档中看到可以用s:tree标签来显示树,于是就按文档中的步骤走了一遍: 基本步骤是 1.<s:tree>标签不是struts-tags里面的标签,而是struts-do ...
- k-d tree树 近邻算法
k-d树(k-dimensional树的简称),是一种分割k维数据空间的数据结构.主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索). 应用背景 SIFT算法中做特征点匹配的时候就会利用到k ...
- k-d tree算法
k-d树(k-dimensional树的简称),是一种分割k维数据空间的数据结构.主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索). 应用背景 SIFT算法中做特征点匹配的时候就会利用到k ...
- KD Tree的原理及Python实现
1. 原理篇 我们用大白话讲讲KD-Tree是怎么一回事. 1.1 线性查找 假设数组A为[0, 6, 3, 8, 7, 4, 11],有一个元素x,我们要找到数组A中距离x最近的元素,应该如何实现呢 ...
- K-D Tree 算法详解及Python实现
K-D Tree 算法 k−d treek−dtree\mathrm{k-d\ tree}即k−dimensional treek−dimensionaltree\mathrm{k-dimension ...
- KD tree and Bbf
k-d tree算法 k-d树(k-dimensional树的简称),是一种分割k维数据空间的数据结构.主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索). 应用背景 SIFT算法中做特征点 ...
- PCL点云库调库学习系列——k-d tree与八叉树
k-d tree与八叉树 1 k-d tree与八叉树 本文并不涉及具体原理的解释,文章着重在k-d树与八叉树在近邻搜索方面的API的使用 1.1 k-d tree k-d tree算法及原理: ht ...
- PCL点云处理之使用KD树搜索最邻近点,避坑(三十八)
PCL点云处理之使用KD树搜索最邻近点(三十八) 前言 一.KD树搜索最邻近点? 二.使用步骤 1.代码 2.结果 总结 前言 一.KD树搜索最邻近点? 在点云处理中,找某个点的最近点非常普遍,PCL ...
最新文章
- 【灌水】一些奇妙的图片(持续更新)
- 浏览器渲染机制面试_浏览器渲染原理
- 【Makefile由浅入深完全学习记录5】预定义变量的使用
- HTML可以替代CSS的所有功能,CSS-用Divs替换HTML表
- 构建微服务(Building Microservices)-PDF 文档
- Spring-context-AnnotationConfigUtils类
- HTTP 协议 - 简单谈谈 TCP / IP (一)
- wojilu系统的ORM代码解析-[源代码结构分析,用特性和反射来感知属性-特性介绍篇]...
- 北京市土壤侵蚀强度空间分布数据
- 智能车制作pdf 王盼宝_智能车制作——从元器件、机电系统、控制算法到完整的智能车设计(Word+PDF+ePub+PPT)...
- 遗传算法matlab_当结构设计遇到遗传算法应用ANSYS和MATLAB联合优化设计探索(二)...
- RUBi: Reducing Unimodal Biases in Visual Question Answering
- 计算机中cpu是指什么意思,CPU是什么?CPU又是什么意思?
- 从今往后,我也有了我自己的博客
- 命令 修复损坏的 Ubuntu 系统 ,不用重装
- 通达信指标函数说明大全(2014)(转)
- intellidea 应用问题
- python语言初学
- JZ73 翻转单词序列
- 2021年熔化焊接与热切割报名考试及熔化焊接与热切割最新解析
热门文章
- C++使用CreateProcess执行cmd命令(实例演示)
- 前端播放rtmp协议的视频流文件
- windbg 命令 - !list
- 3.1 腾讯云AI能力矩阵
- Java三种设计模式
- QuickBI-自建数据库MySQL连接
- python excel 插入图片并设置好大小
- Altera 的SOC器件之将自定义的IP挂在ARM硬核下(通过avalon总线),实现arm核与IP之间的通信
- NAT模式/路由模式/全路由模式
- 上海大学计算机专硕与学硕,计算机学院2017届留沪研究生学习成绩综合评定工作通知...