KNN算法 / KNN Algorithms

Functions
template<typename T >
auto	toolbox::pcl::create_default_knn (size_t num_points=0)
	KNN算法的选择指南 / Guide for choosing KNN algorithms.
template<typename KNN >
double	toolbox::pcl::benchmark_knn (KNN &knn, const std::vector< typename KNN::element_type > &queries, size_t k)
	性能基准测试辅助函数 / Performance benchmark helper function

Detailed Description

Function Documentation

benchmark_knn()

template<typename KNN >

double toolbox::pcl::benchmark_knn	(	KNN &	knn,
		const std::vector< typename KNN::element_type > &	queries,
		size_t	k
	)

性能基准测试辅助函数 / Performance benchmark helper function

Template Parameters

KNN	KNN算法类型 / KNN algorithm type

Parameters

knn	KNN搜索器 / KNN searcher
queries	查询点集合 / Query points collection
k	近邻数量 / Number of neighbors

Returns

平均搜索时间（毫秒） / Average search time (milliseconds)

// 比较不同算法的性能 / Compare performance of different algorithms
bfknn_t<float> bf_knn;
kdtree_t<float> kd_knn;
 
bf_knn.set_input(cloud);
kd_knn.set_input(cloud);
 
double bf_time = benchmark_knn(bf_knn, queries, 10);
double kd_time = benchmark_knn(kd_knn, queries, 10);
 
std::cout << "暴力搜索时间 / Brute-force time: " << bf_time << " ms\n";
std::cout << "KD树搜索时间 / KD-tree time: " << kd_time << " ms\n";

create_default_knn()

template<typename T >

auto toolbox::pcl::create_default_knn ( size_t  num_points = 0 )

inline

KNN算法的选择指南 / Guide for choosing KNN algorithms.

• bfknn_t: 适用于小规模数据集（<1000点）或需要精确结果的场景 / Suitable for small datasets (<1000 points) or scenarios requiring exact results
• kdtree_t: 适用于大规模数据集（>1000点）且使用L2度量的场景 / Suitable for large datasets (>1000 points) with L2 metric
• bfknn_parallel_t: 适用于中等规模数据集需要加速的场景 / Suitable for medium-sized datasets requiring acceleration

// 根据数据规模选择算法 / Choose algorithm based on data size
template<typename T>
std::unique_ptr<base_knn_generic_t<?, point_t<T>, L2Metric<T>>> 
create_knn(size_t num_points) {
    if (num_points < 1000) {
        return std::make_unique<bfknn_t<T>>();
    } else if (num_points < 10000) {
        return std::make_unique<bfknn_parallel_t<T>>();
    } else {
        return std::make_unique<kdtree_t<T>>();
    }
}

创建默认的KNN搜索器（根据数据规模自动选择） / Create default KNN searcher (auto-select based on data size)

Template Parameters

T	数据类型 / Data type

Parameters

num_points

预期的数据点数量 / Expected number of data points

Returns

KNN搜索器的智能指针 / Smart pointer to KNN searcher

auto knn = create_default_knn<float>(cloud.size());
knn->set_input(cloud);