歐式聚類是一種基於歐氏距離度量的聚類演算法。基於kd-tree的近鄰查詢演算法是加速歐式聚類演算法的重要預處理方法。
kd-樹是k-dimension tree的縮寫，是對資料點在k維空間中劃分的一種資料結構；kd-樹是一種平衡二叉樹。為了能有效的找到最近鄰，kd-樹採用分而治之的思想，即將整個空間劃分為幾個小部分。k-d樹演算法的應用可以分為兩方面，一方面是有關k-d樹本身這種資料結構建立的演算法，另一方面是在建立的k-d樹上如何進行最鄰近查詢的演算法。
k-d tree是每個節點均為k維數值點的二叉樹，其上的每個節點代表乙個超平面，該超平面垂直於當前劃分維度的座標軸，並在該維度上將空間劃分為兩部分，一部分在其左子樹，另一部分在其右子樹。即若當前節點的劃分維度為d，其左子樹上所有點在d維的座標值均小於當前值，右子樹上所有點在d維的座標值均大於等於當前值，本定義對其任意子節點均成立。
構建開始前，對比資料點在各維度的分布情況，資料點在某一維度座標值的方差越大分布越分散，方差越小分布越集中。從方差大的維度開始切分可以取得很好的切分效果及平衡性。
常規的k-d tree的構建過程為：迴圈依序取資料點的各維度來作為切分維度，取資料點在該維度的中值作為切分超平面，將中值左側的資料點掛在其左子樹，將中值右側的資料點掛在其右子樹。遞迴處理其子樹，直至所有資料點掛載完畢。
給定點p，查詢資料集中與其距離最近點的過程即為最近鄰搜尋
圖中對於給定的查詢資料點m，須從kd-tree的根結點開始進行比較，其中m(k)為當前結點劃分維度k上資料點m對應的值，d為當前結點劃分的閾值。若 m(k)小於d，則訪問左子樹；否則訪問右子樹，直至到達葉子結點q。此時q就是當m前最近鄰點，而m與q之間的距離就是當前最小距離dmin 。隨後沿著原搜尋路徑回退至根結點，若此過程中發現和m之間距離小於 dmin的點，則須將未曾訪問過的子節點均納入搜尋範疇，並及時更新最近鄰點，直至所有的搜尋路徑都為空，整個基於kd-tree結構的最近鄰點查詢過程便告完成。
對於歐式聚類來說，距離判斷準則為前文提到的歐氏距離。對於空間某點p，通過kd-tree近鄰搜尋演算法找到k個離p點最近的點，這些點中距離小於設定閾值的便聚類到集合q中。如果q中元素的數目不在增加，整個聚類過程便結束；否則須在集合q中選取p點以外的點，重複上述過程，直到q中元素的數目不在增加為止。
《基於kdtree樹和歐式聚類的越野環境下行人識別的研究》_範晶晶
PCL點雲歐式聚類
pcl庫里有pcl euclideanclusterextraction函式，可以提取點雲的歐式聚類，把每個點簇的索引存到vector裡。threshold 歐式聚類的最小距離閾值 minclustersize 點簇的最小數目 maxclustersize 點簇的最大數目下面 裡的cluster i...
PCL點雲庫 歐式聚類分割
pcl euclideanclusterextraction是基於歐式距離提取集群的方法，僅依據距離，將小於距離閾值的點雲作為乙個集群。具體的實現方法大致是 1 找到空間中某點p10，由kdtree找到離他最近的n個點，判斷這n個點到p的距離 2 將距離小於閾值r的點p12 p13 p14 放在類q...
PCL 歐式聚類演算法詳解
參考 歐式聚類是一種基於歐氏距離度量的聚類演算法。基於kd tree的近鄰查詢演算法是加速歐式聚類演算法的重要預處理方法。pcl對歐幾里德演算法進行了很好的封裝，其 如下 被分割出來的點雲團 標號佇列 std vector pointindices cluster indices 歐式分割器 pcl...