球形领域搜索

一、KD-Tree球形领域搜索

# KD树处理
# ---------------------------------------读取点云--------------------------------------
pcd = o3d.io.read_point_cloud("res/bunny.pcd")
# --------------------------------------KDtree搜索--------------------------------------
pcd_tree = o3d.geometry.KDTreeFlann(pcd)  # 建立KD树索引
# ---------------------------------------半径搜索---------------------------------------
pcd.colors[150] = [0, 1, 0]  # 给定查询点并渲染为绿色
[k1, idx1, _] = pcd_tree.search_radius_vector_3d(pcd.points[150], 0.05)  # 半径搜索
np.asarray(pcd.colors)[idx1[1:], :] = [0, 0, 0]  # 半径搜索结果并渲染为红色
o3d.visualization.draw_geometries([pcd])

原理

。。。

参数

• pcd_tree: 这是一个构建在点云数据上的kd树对象，用于高效地进行最近邻搜索。
• search_radius_vector_3d: 这是kd树对象的一个方法，用于在3D空间中搜索指定半径内的最近邻点。
• pcd.points[150]: 这是点云数据中索引为150的点的位置，作为搜索的中心点。
• 0.05: 这是搜索的半径，表示搜索中心点周围0.05个单位范围内的最近邻点。
• k1: 这是返回的最近邻点的数量。
• idx1: 这是返回的最近邻点的索引列表。

二、np.where球形领域搜索（推荐）

# np.where()处理
# ---------------------------------------读取点云--------------------------------------
pcd = o3d.io.read_point_cloud("res/bunny.pcd")
points = np.asarray(pcd.points)
pcd.colors[150] = [0, 1, 0]  # 给定查询点并渲染为绿色
center = points[150]
index = np.where(((points[:, 0] - center[0])**2 + (points[:, 1] - center[1])**2 + (points[:, 2] - center[2])**2) <= 0.05**2)[0]
np.asarray(pcd.colors)[index[1:], :] = [0, 0, 0]  # 半径搜索结果并渲染为红色
o3d.visualization.draw_geometries([pcd])

原理

。。。

参数

• points[:, 0], points[:, 1], points[:, 2]: 这些是点云数据中所有点的 x、y 和 z 坐标。:，0表示选择所有行中的第一个元素，即 x 坐标；:，1表示选择所有行中的第二个元素，即 y 坐标；:，2表示选择所有行中的第三个元素，即 z 坐标。
• center[0], center[1], center[2]: 这些是给定的中心点的 x、y 和 z 坐标。
• (points[:, 0] - center[0])**2 + (points[:, 1] - center[1])**2 + (points[:, 2] - center[2])**2: 这是计算每个点到给定中心点的距离的平方和。这里使用了欧式距离的平方。
• 0.05**2: 这是距离的阈值的平方，即0.05的平方。这个阈值用于确定哪些点被认为是在指定半径范围内的点。
• np.where: 这是NumPy的条件筛选函数，用于返回满足条件的元素的索引。
• [0]: 这是为了从np.where返回的元组中提取第一个数组，其中包含满足条件的索引。

三、为什么推荐np.where()而不是kd-Tree

只从处理时间角度分析

方法/点云数目(点)	35947 points.	2001009 points.	45590887 points.
kd树建立时间戳	0.024077	0.896488	19.859272
np.where()处理时间戳	0.009681	0.148632	2.614453

随着点云数量的增加，KD-Tree的搜索时间迅速增加，远远超过了np.where()函数的处理时间。在处理点云项目时，速度和准确性优势变得至关重要，特别是考虑到点云数据量通常非常大。相比之下，np.where()函数在速度和灵活性方面远远超过了KD-Tree。因此，在处理点云数据时，选择np.where()通常是更明智的选择。

四、相关链接

numpy中的点云操作numpy中的点云操作-CSDN博客