scipy.spatial参考博客：Python点云处理——建立KDtree
1 KDtree算法原理
KDtree构建出了一种类似于二叉树的树形数据存储结构，每一层都对应原始数据中相应的维度，以K层为一个循环，因此被称为KDtree。
每一层的左右子树的划分依据则是一个人为指定的超平面，该平面对应的坐标为根节点，小于的放在左子树，大于的放在右子树，一直不停的分割下去，将所有维度遍历一遍之后，再从第一个维度重新选择一个超平面开始分割，直至将左右子树分割到都只剩一个叶子节点为止。这样就将所有的数据都在KDtree上唯一确定了位置，以便进行最近邻搜索、半径搜索等操作。
2 计算过程
给出一组三维点云数据(1,1,1),(2,2,2),(1,3,1),(3,4,2),(4,5,6)：
- 首先，x坐标划分，以2为分界，(2,2,2)为根节点，小于2的在左子树：(1,1,1),(1,3,1)，大于2的在右子树：(3,4,2),(4,5,6)
- 然后以y坐标划分，前一层的左子树以1为分界，(1,1,1)在根节点，(1,3,1)在右子树；前一层右子树以4为分界，(3,4,2)在根节点，(4,5,6)在右子树，这样就将所有点云数据唯一地存储在了KDtree中
3 代码实现
import numpy as np
from scipy.spatial import KDTree
point= np.random.rand(1000,7)
tree = KDTree(point[:, 0:3])
先随机生成一个7维的点云数据（xyz坐标，xyz法向量，标签），然后调用Scipy中的scipy.spatial.KDTree库函数。与Open3D相比，该库函数可以生成任意维度的KDtree，而不是只能输入三维点云，在处理带有法向量和标签等其他维度的点云数据时具有天然的优势。
4 应用
生成KDtree后，最常见的应用就是对其进行各种搜索。
import numpy as np
from scipy.spatial import KDTree
point= np.random.rand(1000,7)
tree = KDTree(point[:, 0:3])
for i in range(0,len(point)):
neighbors = tree.query_ball_point(point[i,0:3], 0.1,workers=-1,return_length=True)
这句代码调用了Scipy的KDtree模块中的“球查询”，即半径查找功能，可以查找点云中指定点在半径0.1内的所有近邻点，workers=-1代表启用多线程，poinr[i,0:3]代表只对前三列数据进行查找，若不指定return_lengeth参数，默认返回这些近邻点的索引。若指定其为True，则返回这些点的个数，从而便于进行滤波算法的构建。
最近邻：
一个是tree = spatial.KDTree(mesh.points)输入点云
一个是nearest = tree.query(pos[i],k=2) 寻找最近的两个点。因为第一个点必定是自己所以找俩。返回的是两个np array。第一个是所有的最小距离，第二个是所有的最近点index
matplotlib.pyplot参考博客：Python 数据分析（二）：Matplotlib 绘图
只记录学习过程中常用的
1 简单使用
from matplotlib import pyplot as plt
x = range(1, 7)
y = [13, 15, 14, 16, 15, 17]
plt.title('折线图')
plt.xlabel('x 轴')
plt.ylabel('y 轴')
plt.plot(x, y)
plt.show()
改变折线的样式、颜色等
from matplotlib import pyplot as plt
x = range(1, 7)
y = [13, 15, 14, 16, 15, 17]
'''
figsize：设置图片的宽、高，单位为英寸
dpi：设置分辨率
'''
plt.figure(figsize=(8, 5), dpi=80)
plt.title('折线图')
plt.xlabel('x 轴')
plt.ylabel('y 轴')
'''
color：颜色
linewidth：线的宽度
marker：折点样式
linestyle：线的样式，主要包括：'-'、'--'、'-.'、':'
'''
plt.plot(x, y, color='red', marker='o', linewidth='1', linestyle='--')
# 保存
plt.savefig('test.png')
plt.show()
2 多线
from matplotlib import pyplot as plt
x = range(15, 25)
y1 = [50, 55, 58, 65, 70, 68, 70, 72, 75, 70]
y2 = [52, 53, 60, 63, 65, 68, 75, 80, 85, 72]
plt.figure(figsize=(10, 6), dpi=80)
plt.title('体重年龄折线图')
plt.xlabel('年龄（岁）')
plt.ylabel('体重（kg）')
plt.plot(x, y1, color='red', label='张三')
plt.plot(x, y2, color='blue', label='李四')
# 添加网格，alpha 为透明度
plt.grid(alpha=0.5)
# 添加图例
plt.legend(loc='upper right')
plt.show()
3 子图
from matplotlib import pyplot as plt
import numpy as np
a = np.arange(1, 30)
# 划分子图
fig, axs = plt.subplots(2, 2)
# 绘制子图
axs1 = axs[0, 0]
axs2 = axs[0, 1]
axs3 = axs[1, 0]
axs4 = axs[1, 1]
axs1.plot(a, a)
axs2.plot(a, np.sin(a))
axs3.plot(a, np.log(a))
axs4.plot(a, a ** 2)
plt.show()
imageio库参考博客：
【python】利用imageio库制作动态图
Python快速生成gif图
将多张图片合成GIF，需要的 python 库为 imageio，使用 imageio 可方便的使多张图片生成 gif 图。首先我们需要一个列表存储图片路径，此处为了方便演示，直接使用列表作为存储，并且创建一个变量为图片的保存路径：
import os
import imageio
frames = []
for image_name in os.listdir("./image"): # 读取image下的图片名称
image_name = "D:\随笔\测试\image\\" + image_name # 绝对路径
frames.append(imageio.imread(image_name))
imageio.mimsave("./res.gif", frames, 'GIF', duration=0.1) # 保存在当前文件夹
# 参数：duration=0.1，间隔时间
合成gif图
import imageio
def compose_gif():
img_paths = ["img/1.jpg","img/2.jpg","img/3.jpg","img/4.jpg"
,"img/5.jpg","img/6.jpg"]
gif_images = []
for path in img_paths:
gif_images.append(imageio.imread(path))
imageio.mimsave("test.gif",gif_images,fps=1)
通过fps参数可以控制合成gif图片播放图片的速度和视频的播放帧率是一样的，fps参数越大播放的速率越大，fps越小播放的速度越慢
