为何estimate_global_k_neighbor_scale()计算的全局k值为6？

首先明确：estimate_global_k_neighbor_scale() 并非根据点集的拓扑维度（比如直线是1维）直接返回对应维度的最小邻居数，它的设计逻辑是基于点集的全局密度统计特征，计算一个鲁棒的全局k值，用于后续需要尺度参数的点云处理算法（如平滑、重建）。

函数核心逻辑 #

这个函数的计算步骤大致为：

1. 遍历多个k值，计算点集中每个点对应的k近邻距离
2. 统计这些距离的全局分布，取高百分位（如95%）的距离值作为「全局特征距离」
3. 找到能覆盖这个特征距离的最小k值，作为最终返回结果

针对你的直线点集的分析 #

你输入的是10个均匀分布在直线上的点，相邻点间距为1。对于这类均匀分布的点集：

• 全局统计的特征距离会偏向覆盖大部分点的「典型邻域范围」，比如取覆盖90%点的邻域时，对应的距离可能是3（中间点到左右第3个点的距离），要覆盖这个距离，每个点需要包含左右各3个邻居，总共6个点，因此返回k=6。
• 函数不会识别点集的1维拓扑结构，它只关注全局密度的统计结果，所以不会返回你预期的1或2。

如何得到你预期的结果 #

如果需要针对1维曲线的邻居数，你可以：

• 使用CGAL中的estimate_local_dimension()先判断每个点的局部维度
• 根据局部维度手动设置对应k值（1维曲线通常取k=2或3）
• 直接跳过全局统计函数，自行指定符合拓扑维度的k值

补充说明 #

你用2D或3D点集得到相同结果的原因是：两类点集的全局密度分布完全一致（都是均匀直线），函数的统计逻辑不受空间维度影响，只要分布特征相同，结果就会一致。

内容的提问来源于stack exchange，提问作者qqqqq