3D，点云中的2棵树

通过雷达、激光扫描、立体摄像机等三维测量设备获取的点云数据，具有数据量大、分布不均匀等特点。作为三维领域中一个重要的数据来源，点云数据主要是表征目标表面的海量点集合，并不具备传统网格数据的集合拓扑信息。所以点云数据处理中最为核心的问题就是建立离散点间的拓扑关系，实现基于邻域关系的快速查找。
建立空间索引在点云数据处理中已被广泛应用，常见空间索引一般是自顶向下逐级划分空间的各种空间索引结构，比较有代表性的包括 BSP树、 KD树、 KDB树、 R树、 R+树、 CELL树、四叉树和八叉树等索引结构，而在这些结构中KD树和八叉树在3D点云数据组织中应用较为广泛。

一、点云之kd-tree

给定一堆已有的样本数据，和一个被询问的数据点（红色五角星），我们***如何找到离五角星最近的15个点***？

正常思路往往是：在五角星附近的一些点中，分别计算每一个点的距离，然后挑出其中最近的15个点。

如下图所示，只对紫圈里的点进行计算。