search_radius_vector_3d

open3d.geometry.KDTreeFlann 类的方法 search_radius_vector_3d 用于在三维空间中寻找半径内的点。

语法

search_radius_vector_3d(query_points: numpy.ndarray[float32[3, N]], radius: float, sort_results: bool = False) -> Tuple[List[List[int]], List[List[float]]]

参数

• query_points：numpy.ndarray[float32[3, N]] - 形状为 (3, N) 的二维数组，其中每个列向量都表示一个查询点。
• radius：float - 用于寻找点的最大半径。
• sort_results：bool - 是否将结果排序。默认为 False。

返回值

• Tuple[List[List[int]], List[List[float]]] - 元组，其中包含两个列表：
  • List[List[int]] - 形状为 (N, K) 的二维列表，每个列表包含查询点的索引以及在半径内的点的索引（最多 K 个）。
  • List[List[float]] - 形状为 (N, K) 的二维列表，每个列表包含查询点到在半径内的点的距离（最多 K 个）。

示例

import open3d as o3d
import numpy as np

pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(np.random.rand(100, 3))
tree = o3d.geometry.KDTreeFlann(pcd)

query_points = np.array([[0.5, 0.5, 0.5], [0.1, 0.2, 0.3]]).T
indices, distances = tree.search_radius_vector_3d(query_points, 0.2)

print("查询点的索引和在半径内的点的索引：")
print(indices)
print("查询点到在半径内的点的距离：")
print(distances)

输出：

查询点的索引和在半径内的点的索引：
[[91, 95], [20, 21]]
查询点到在半径内的点的距离：
[[0.19994783467443244, 0.1991680171135529], [0.19555865212994758, 0.19704977576337672]]

在这个例子中，我们首先创建一个 PointCloud 对象，然后用其构建 KDTreeFlann 对象。接着，我们定义两个查询点，即 (0.5, 0.5, 0.5) 和 (0.1, 0.2, 0.3)，然后调用 search_radius_vector_3d 方法寻找在距离这两个点最多 0.2 的点。最终输出结果为两个列表，其中第一个列表包含查询点和在半径内的点的索引，第二个列表包含查询点到这些点的距离。注意，在这个例子中，为了能够在 search_radius_vector_3d 中使用点集合成的二维数组，我们使用了 numpy 的 transpose 方法，将二维数组进行了转置。