1、主要参考资料
（1）kd树原理
数组索引的kdtree建立及简明快速的k近邻搜索方法
（2）open3d
爆肝5万字 Open3D 点云数据处理基础（Python版））-技术圈
(3)视频参考
【Python+Open3D处理点云数据】2.KD树近邻搜索_哔哩哔哩_bilibili
(4)其它大佬
Python软件设计基础 第九节-Open3D模型处理_惊蛰鼬神的博客-CSDN博客_python打开3d模型
2、kd树原理
（1）主要应用
kd树（k-dimensional树的简称），是一种分割k维数据空间的数据结构，主要应用于多维空间关键数据的搜索，如范围搜索和最近邻搜索。
3、三种搜索算法
3.1K近邻搜索
（1）函数
Search_knn_vector_3d，返回查询点的K个最近邻索引列表，并将这些相邻的点存储在一个数组中
（2）参数说明
- 给的参数例子：(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
- 返回值[k, idx, _] ，其中k为索引的个数，idx为返回的点的索引
（3）代码例子
import open3d as o3d
import numpy as np
#（1）读取模型文件
pcd = o3d.io.read_point_cloud(r"D:/RGBD_CAMERA/python_3d_process/bunny.ply")
#（2）给模型一个统一的初始颜色
pcd.paint_uniform_color([0.5, 0.5, 0.5])
#（3）创建KD树
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（4）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[100] = [1, 0, 0]
#（5）开始索引
#其中k为索引的个数，idx为返回的点的索引
#(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
[k, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[100],100)
#（6）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]
#（7）最后显示一下
o3d.visualization.draw_geometries([pcd],width=1200,height=1000)（4）效果图
3.2半径领域搜索
（1）函数
Search_radius_vector_3d，查询所有和查询点距离小于给定半径的点。
（2）参数
- 输入参数例子(pcd.points[1000],0.02)，第一个参数为开始索引的点，第二个参数是索引的半径大小
- 返回值[k, idx, _] ，其中k为索引的个数，idx为返回的点的索引
（3）代码测试
import open3d as o3d
import numpy as np
#（1）读取模型文件
pcd = o3d.io.read_point_cloud(r"D:/RGBD_CAMERA/python_3d_process/bunny.ply")
#（2）给模型一个统一的初始颜色
pcd.paint_uniform_color([0.5, 0.5, 0.5])
# #-------------------------------------------------------------
# #(一)近邻搜索
# #-------------------------------------------------------------
# #（1）创建KD树
# pcd_tree = o3d.geometry.KDTreeFlann(pcd)
# #（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
# pcd.colors[100] = [1, 0, 0]
# #（3）开始索引
# #其中k为索引的个数，idx为返回的点的索引
# #(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
# [k, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[100],100)
# #（4）索引的结果给他们赋颜色，绿色，RGB
# np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]
# #（5）最后显示一下
# o3d.visualization.draw_geometries([pcd],width=1200,height=1000)
#-------------------------------------------------------------
#(二)半径搜索
#-------------------------------------------------------------
#（1）创建KD树
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[1000] = [1, 0, 0]
#（3）开始索引
#其中k为索引的个数，idx为返回的点的索引
#(pcd.points[1000],0.02)， 第一个参数为开始索引的点，第二个参数是索引的半径大小
[k, idx, _] = pcd_tree.search_radius_vector_3d(pcd.points[1000],0.02)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 0, 1]
#（5）最后显示一下
o3d.visualization.draw_geometries([pcd],width=1200,height=1000)（4）效果图
3.3混合搜索
（1）函数
Search_hybrid_vector_3d，最多返回k个和被查询点距离小于给定半径的最近邻点。
（2）参数
- 输入参数例子(pcd.points[8000],0.03, 200)，第一个参数为开始索引的点，第二个参数是索引的半径大小，第三个参数是返回最多多少个值
- 返回值[k, idx, _] ，其中k为索引的个数，idx为返回的点的索引
（3）代码
import open3d as o3d
import numpy as np
#（1）读取模型文件
pcd = o3d.io.read_point_cloud(r"D:/RGBD_CAMERA/python_3d_process/bunny.ply")
#（2）给模型一个统一的初始颜色
pcd.paint_uniform_color([0.5, 0.5, 0.5])
#-------------------------------------------------------------
#(一)近邻搜索
#-------------------------------------------------------------
#（1）创建KD树
pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[100] = [1, 0, 0]
#（3）开始索引
#其中k为索引的个数，idx为返回的点的索引
#(pcd.points[100],100)， 第一个参数为开始索引的点，第二个参数是索引的个数
[k, idx, _] = pcd_tree.search_knn_vector_3d(pcd.points[100],100)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 0]
#（5）最后显示一下
# o3d.visualization.draw_geometries([pcd],width=1200,height=1000)
#-------------------------------------------------------------
#(二)半径搜索
#-------------------------------------------------------------
#（1）创建KD树
# pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[1000] = [1, 0, 0]
#（3）开始索引
#其中k为索引的个数，idx为返回的点的索引
#(pcd.points[1000],0.02)， 第一个参数为开始索引的点，第二个参数是索引的半径大小
[k, idx, _] = pcd_tree.search_radius_vector_3d(pcd.points[1000],0.02)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 0, 1]
#（5）最后显示一下
# o3d.visualization.draw_geometries([pcd],width=1200,height=1000)
#-------------------------------------------------------------
#(三)混合搜索
#-------------------------------------------------------------
#（1）创建KD树
# pcd_tree = o3d.geometry.KDTreeFlann(pcd)
#（2）将接下来要初始索引的点（第100个点）颜色设置位红色，RGB
pcd.colors[8000] = [1, 0, 0]
#（3）开始索引
#其中k为索引的个数，idx为返回的点的索引
#(pcd.points[1000],0.02)， 第一个参数为开始索引的点，第二个参数是索引的半径大小，第三个参数是返回最多多少个值
[k, idx, _] = pcd_tree.search_hybrid_vector_3d(pcd.points[8000],0.03, 200)
#（4）索引的结果给他们赋颜色，绿色，RGB
np.asarray(pcd.colors)[idx[1:], :] = [0, 1, 1]
#（5）最后显示一下
o3d.visualization.draw_geometries([pcd],width=1200,height=1000)（4）三个搜索综合显示
