Skip to main content
 首页 » 编程设计

python之在 sklearn NearestNeighbor 中使用每个邻居一次

2024年11月01日13hnrainll

我正在比较两个不同大小的点云。我不想切断较大的点云 pc1 中的最后一点。对于 pc1 中的点,我想在 pc2 中找到最近的邻居。在 pc1 和 pc2 中使用该点后,它应该不再次用于任何其他比较。计算从 pc1 到 pc2 的距离:从最小距离开始。获取 pc1 和 pc2 中的两个点并将这些点标记为已使用(或删除)。获取下一个更高距离的下一对……直到 pc2 中的所有点都被使用。返回距离列表。

到目前为止,这是我尝试过的:

from sklearn.neighbors import NearestNeighbors 
import numpy as np 
 
pc1 = np.array([[-1, -1], [-2, -1], [1, 1], [2, 2], [3, 5]]) 
pc2 = np.array([[0, 0], [0, 0], [6,6]]) 
 
nbrs = NearestNeighbors(n_neighbors=1, algorithm='kd_tree', metric='euclidean').fit(pc2) 
distances, indices = nbrs.kneighbors(pc1) 

这是输出:

indices = [[0],[0],[0],[0],[2]] 

但我想要:

indices_wanted = [[0],[1],[2]] 

应该指pc1中的点:[[-1, -1], [1, 1], [3, 5]]

有没有一种有效的方法来做到这一点?我的点云是 3D 的,每个点云大约有 8000 个点。它应该非常快,因为我需要为某些 200 帧的“电影”中的每一帧重复此过程。 在 3D 中创建一些示例数据:

    pc1 = np.random.randn(8000,3) 
    pc2 = np.random.randn(7990,3) 

这是一张图片来说明情况:

红色点是pc1,绿色点是pc2。最终,我得到了 3D 点。


编辑:

我并不局限于sklearn,我只知道它非常高效。所以KDTree也是一种选择。 我可能必须包括两个节点的最大距离以加快这种方法。我正在使用的立方体大小为 4m(在运行邻居搜索之前我已经删除了太远的点)


问题: @user2874583 提供的代码对于一组 8000 点大约需要 0.8s。那太慢了。我需要不到 0.2 秒。有没有办法修改代码以利用结构:没有外部点的立方体?也许对数组进行排序?

请您参考如下方法:

您可以使用 scipy 库来计算两点之间的距离。

from scipy.spatial.distance import cdist 
 
def closest_node_index(node, nodes): 
    index = cdist([node], nodes).argmin() 
    return index 
 
final = [] 
for arr in pc2: 
    i = closest_node_index(arr, pc1) 
    final.append(pc1[i]) 
    pc1 = np.delete(pc1, i, axis=0)