Semana 22. Sobremuestreo de nubes reales con TIN y optimización de IDW con KDTree

Esta semana he probado a aplicar el sobremuestreo mediante el metodo TIN obteniendo dos nuevas nubes con un indice de densidad de 3.0 y otra de 5.0. En la imagen se puede ver el aumnento de puntos desde una vista cenital que permite apreciarla.

Vista cenital tras aplicar el sobremuestreo TIN.

Comparativa de la nube original (arriba) y la nube con indice de densidad de 3 (abajo izquierda) e indice de densidad 5 (abajo derecha)

Comparativa de la segmentación geométrica de la nube original (izquierda) y la nube con indice de densidad de 3 (derecha)

Al querer aplicar el algoritmo IDW me di cuenta que sigue teniendo un coste computacional demasiado alto, al requerir calcular las distancias a todos los puntos de la nube. Por este motivo he realizado una modificacion en la forma de encontrar los vecinos utilizando KDTree. Pero aún no es suficiente.

# Construir KDTree una sola vez
    tree = KDTree(points)  # Mucho más eficiente para búsquedas por radio
    [...]
# Búsqueda por radio MUCHO más eficiente con KDTree
    neighbor_indices = tree.query_ball_point(point, search_radius)