2. 程式人生 > >通過八叉樹進行空間分割和搜尋

通過八叉樹進行空間分割和搜尋

阿新 • • 發佈：2018-11-01

轉自：https://blog.csdn.net/qq_25491201/article/details/51146085

一個octree是一個以樹基礎為的管理稀疏3-D資料的資料結構。每個中間的節點有8個子節點。在這次，我們將學習怎麼使用octree進行稀疏分割和近鄰搜尋。尤其，我們將解釋如何操作"體元近鄰搜尋"，和"最近鄰搜尋"和"半徑近鄰搜尋".
我們將建立一個octree_search.cpp這個檔案
#include <pcl/point_cloud.h>
#include <pcl/octree/octree.h>

#include <iostream>
#include <vector>
#include <ctime>

int
main (int argc, char** argv)
{
  srand ((unsigned int) time (NULL));

  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

  // Generate pointcloud data
  cloud->width = 1000;
  cloud->height = 1;
  cloud->points.resize (cloud->width * cloud->height);

  for (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);
  }

  float resolution = 128.0f;

  pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree (resolution);

  octree.setInputCloud (cloud);
  octree.addPointsFromInputCloud ();

  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);

  // Neighbors within voxel search

  std::vector<int> pointIdxVec;

  if (octree.voxelSearch (searchPoint, pointIdxVec))
  {
    std::cout << "Neighbors within voxel search at (" << searchPoint.x
     << " " << searchPoint.y
     << " " << searchPoint.z << ")"
     << std::endl;
             
    for (size_t i = 0; i < pointIdxVec.size (); ++i)
   std::cout << "    " << cloud->points[pointIdxVec[i]].x
       << " " << cloud->points[pointIdxVec[i]].y
       << " " << cloud->points[pointIdxVec[i]].z << std::endl;
  }

  // K nearest neighbor search

  int K = 10;

  std::vector<int> pointIdxNKNSearch;
  std::vector<float> pointNKNSquaredDistance;

  std::cout << "K nearest neighbor search at (" << searchPoint.x
            << " " << searchPoint.y
            << " " << searchPoint.z
            << ") with K=" << K << std::endl;

  if (octree.nearestKSearch (searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0)
  {
    for (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;
  }

  // Neighbors within radius search

  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 (octree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0)
  {
    for (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;
  }

}
程式碼解釋
定義和例項化了一個PointCloud這個資料結構，並生成隨機點雲。
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

  // Generate pointcloud data
  cloud->width = 1000;
  cloud->height = 1;
  cloud->points.resize (cloud->width * cloud->height);

  for (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);
  }
接下去我們創造了一個用下面的這個解析度為初始化的octree例項。octree保持了它的葉子節點的點下標。解析度引數描述了小體元的長度。octree的深度因此是一個解析度的函式和點雲的空間維度一樣。如果一個點雲的邊框盒子已知，它通過使用defineBoundingBox這個方法分配給octree。然後我們把一個指標分配給點雲並把所有的點加入到octree裡面。

  float resolution = 128.0f;

  pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree (resolution);

  octree.setInputCloud (cloud);
  octree.addPointsFromInputCloud ();

一旦點雲與octree相聯絡上，我們就能使用搜索的操作。我們第一個搜尋方法"Neighbors within Voxel Search"。它將被分配給相應葉子節點的體元的搜尋點並返回一個點下標的向量。這個下標和進入同一個體元裡面的點有關係。搜尋點與搜尋結果距離依賴於octree的解析度。


  std::vector<int> pointIdxVec;

  if (octree.voxelSearch (searchPoint, pointIdxVec))
  {
    std::cout << "Neighbors within voxel search at (" << searchPoint.x
     << " " << searchPoint.y
     << " " << searchPoint.z << ")"
     << std::endl;
             
    for (size_t i = 0; i < pointIdxVec.size (); ++i)
   std::cout << "    " << cloud->points[pointIdxVec[i]].x
       << " " << cloud->points[pointIdxVec[i]].y
       << " " << cloud->points[pointIdxVec[i]].z << std::endl;
  }

接下去，顯示了一個K最近鄰搜尋。在這個例子裡面，K被設定為10，"K最近鄰搜尋"的方法的搜尋結果被寫入兩個獨立的向量裡面。第一個，pointIdxNKNSearch，將會包含搜尋結果(與相鄰點雲資料集相關的下標)。第二個下標向量保持相應的搜尋得到節點和最近鄰之間的平方距離。


  int K = 10;

  std::vector<int> pointIdxNKNSearch;
  std::vector<float> pointNKNSquaredDistance;

  std::cout << "K nearest neighbor search at (" << searchPoint.x
            << " " << searchPoint.y
            << " " << searchPoint.z
            << ") with K=" << K << std::endl;

  if (octree.nearestKSearch (searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0)
  {
    for (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;
  }

指定半徑內的鄰居搜尋和"最近鄰搜尋"相似。它的搜尋結果被寫成2個獨立的向量，描述了下標點和搜尋點的平方距離。

 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 (octree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0)
  {
    for (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;
  }
下面是執行結果
Neighbors within voxel search at (974.82 188.793 138.779)
    903.656 82.8158 162.392
    1007.34 191.035 61.7727
    896.88 155.711 58.1942
K nearest neighbor search at (974.82 188.793 138.779) with K=10
    903.656 82.8158 162.392 (squared distance: 16853.1)
    903.18 247.058 54.3528 (squared distance: 15655)
    861.595 149.96 135.199 (squared distance: 14340.7)
    896.88 155.711 58.1942 (squared distance: 13663)
    995.889 116.224 219.077 (squared distance: 12157.9)
    885.852 238.41 160.966 (squared distance: 10869.5)
    900.807 220.317 77.1432 (squared distance: 10270.7)
    1002.46 117.236 184.594 (squared distance: 7983.59)
    1007.34 191.035 61.7727 (squared distance: 6992.54)
    930.13 223.335 174.763 (squared distance: 4485.15)
Neighbors within radius search at (974.82 188.793 138.779) with radius=109.783
    1007.34 191.035 61.7727 (squared distance: 6992.54)
    900.807 220.317 77.1432 (squared distance: 10270.7)
    885.852 238.41 160.966 (squared distance: 10869.5)
    1002.46 117.236 184.594 (squared distance: 7983.59)
    930.13 223.335 174.763 (squared distance: 4485.15)
一些額外的細節
PCL八叉樹元件裡面提供了幾種八叉樹的型別。他們通過他們的獨特的葉子節點特徵來區別。
OctreePointCloudPointVector(等於OctreePointCloud):這個octree可以包含每個葉子節點的一系列的點的下標。
OctreePointCloudSinglePoint：這個八叉樹類在每一個葉子節點裡麵包含一個點的下標。只有被分配到葉子節點裡面最多的下標將會被儲存。
OctreePointCloudOccupancy：這個八叉樹沒有儲存任何點的資訊在它的葉子節點上。
OctreePointCloudDensity：這個octree計算每個葉子節點體元的數量。它允許特殊的空間密度查詢。

如果八叉樹需要經常被建立，請看一下八叉樹的double buffering implementation(Octree2BufBase這個類)。這個類同時保持兩個並行的八叉樹結構在記憶體裡面。除了每個搜尋操作，它也使得空間改變檢測成為可能。更多，一個先進的記憶體管理減少了記憶體分配和回收操作在octree構建的時候。
總結:
PCL裡面的octree是一個進行空間分割和搜尋的有力的工具。

--------------------- 作者：Spongelady 來源：CSDN 原文：https://blog.csdn.net/qq_25491201/article/details/51146085?utm_source=copy 版權宣告：本文為博主原創文章，轉載請附上博文連結！

相關推薦

通過八叉樹進行空間分割和搜尋

轉自：https://blog.csdn.net/qq_25491201/article/details/51146085 一個octree是一個以樹基礎為的管理稀疏3-D資料的資料結構。每個中間的節點有8個子節點。在這次，我們將學習怎麼使用octree進行稀疏分割和近鄰搜尋。尤其，我們將解釋如

通過二叉樹的中序和後序遍歷序列構造二叉樹（非遞迴）

題目：通過二叉樹的中序和後序遍歷序列構造二叉樹 同樣，使用分治法來實現是完全可以的，可是在LeetCode中執行這種方法的程式碼，總是會報錯： Memory Limit Exceeded  ，所以這裡還是用棧來實現二叉樹的構建。 與用先序和後序遍歷構造二叉樹的方法類似，

基於八叉樹的區域增長點雲分割演算法

該篇文章出自2015年ICIP會議，主要介紹影象分割領域一種新的區域生長演算法  [TOC] 參考：https://blog.csdn.net/cjx2lxj/article/details/50529618  提出的問題 鐳射雷達探測到城市環境的物體表面構成三維幾何

用二叉連結串列儲存的二叉樹進行先序、中序和後序遍歷的演算法

用二叉樹連結串列作為儲存結構，完成二叉樹的建立，先序、中序和後序以及按層次遍歷的操作，求所有葉子及結點總數的操作 #include<iostream>   #include<cstdio>   #include<stdlib.h&

2D空間中使用Quadtree四叉樹進行碰撞檢測優化

很多遊戲中都需要使用碰撞檢測演算法檢測兩個物體的碰撞，但通常這些碰撞檢測演算法都很耗時很容易拖慢遊戲的速度。這裡我們學習一下使用四叉樹來對碰撞檢測進行優化，優化的根本是碰撞檢測時跳過那些明顯離得很遠的物體，加快檢測速度。 【注：這裡演算法的實現使用的J

（1）建立二叉樹的二叉連結串列。 （2）寫出對用二叉連結串列儲存的二叉樹進行先序、中序和後序遍歷的遞迴和非遞迴演算法。 （3）寫出對用二叉連結串列儲存的二叉樹進行層次遍歷演算法。 （4）求二叉樹的所有葉子及結點總數。

（1）建立二叉樹的二叉連結串列。 （2）寫出對用二叉連結串列儲存的二叉樹進行先序、中序和後序遍歷的遞迴和非遞迴演算法。 （3）寫出對用二叉連結串列儲存的二叉樹進行層次遍歷演算法。（4）求二叉樹的所有葉子及結點總數。 include<stdio.h> #inclu

通過陣列對二叉樹進行遍歷

在刷pat的時候經常遇到用陣列進行存取二叉樹，但是不會遍歷二叉樹（看來是我太菜了），原來陣列存取的二叉樹的遍歷和普通的遍歷基本相同，下面給出用陣列存取二叉樹的前序，中序和後序遍歷。#include<cstdio> #include<vector> us

四叉樹和八叉樹的剔出選擇

function TestQuad(x, y, w : int) : int;// quad-midpoint: (x,y)// quad-width: 2w// test quad against FOV// Results: 0 (out), 1 (partially in), 2 (completely

BSP 樹 和 八叉樹

八叉樹： The Quadtree derives  from the idea of dividing a square area into smaller squares. start with a unity square as the root of the tr

數據結構與算法第10周作業——二叉樹的創建和遍歷算法

技術分享 truct order traverse eof 結構 後序遍歷 lib void 一、二叉樹的創建算法（遞歸方式） 二、二叉樹的先序、中序和後序遍歷算法 #include<stdio.h>#include<stdlib.h>typedef

數據結構-第10周作業（二叉樹的創建和遍歷算法）

樹的創建 創建 -1 數據結構 二叉 分享 com jpg 遍歷算法 數據結構-第10周作業（二叉樹的創建和遍歷算法）

CODEVS 1501二叉樹最大寬度和高度

它的 logs nbsp 二叉 ace 最小寬度 最大 -h blog 題目描述 Description 給出一個二叉樹，輸出它的最大寬度和高度。 輸入描述 Input Description 第一行一個整數n。 下面n行每行有兩個數，對於第i行的兩個數

給出二叉樹的先序和中序遍歷，給出後序遍歷

logs __main__ font class pre span 思想 style 輸出 實現一個功能： 輸入:一顆二叉樹的先序和中序遍歷 輸出:後續遍歷思想： 先序遍歷中，第一個元素是樹根 在中序遍歷中找到樹根，左邊的是左子樹 右邊的是右子樹

二叉樹的序列化和反序列化

nbsp node 使用遞歸 輸入 特殊字符 this tail 改變 代碼實現 http://blog.csdn.net/qq_27703417/article/details/70958692 先序遍歷二叉樹，如果遇到空節點，就在str的末尾加上“#!”，“#”表示

二叉樹數據結構和算法

span reat 排序 算法 eof 打印路徑 所有結點 數據 oot 參考：http://blog.csdn.net/dazhong159/article/details/7906916 百度面試題目： 輸入一個整數和一棵二元樹。從樹的根結點開始往下

18.2.14 codevs1501 二叉樹最大寬度和高度

isp 連接 左右 ron esp color 整數 end codevs 題目描述 Description 給出一個二叉樹，輸出它的最大寬度和高度。 輸入描述 Input Description 第一行一個整數n。 下面n行每行有兩

【easy-】437. Path Sum III 二叉樹任意起始區間和

find right down left font pri nod blog init /** * Definition for a binary tree node. * struct TreeNode { * int val; * TreeNo

【easy】437. Path Sum III 二叉樹任意起始區間和

col eno rom 區間 pre -s nta struct span /** * Definition for a binary tree node. * struct TreeNode { * int val; * TreeNode *le

二叉樹最大深度和最小深度

str treenode oot null 避免 結果 一個 blog clas 最大深度： int maxDepth(TreeNode *root) { if(root == NULL) return 0;

2018.3.26 1501 二叉樹最大寬度和高度

一個空格 post 12px 一行 個數 padding pac ide urn 題目描述 給出一個二叉樹，輸出它的最大寬度和高度。 輸入描述 第一行一個整數n。下面n行每行有兩個數，對於第i行的兩個數，代表編號為i的節點所連接的兩個左右兒子的編號。如果沒有某個兒子