三维模型的主成分分析(3D Model PCA, CPCA, NPCA)

最新推荐文章于 2023-08-10 08:56:12 发布
最新推荐文章于 2023-08-10 08:56:12 发布
阅读量1.6w 收藏 9
点赞数 4
分类专栏： Graphics 3D Model Retrieval 文章标签： c
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BugRunner/article/details/5468570
版权
PCA在3D模型处理中用于提取主要成分和去除噪声。CPCA基于顶点统计属性，NPCA基于法向量统计。两者都包括平移、旋转和缩放不变性。CPCA的旋转矩阵由顶点影响矩阵的特征向量决定，NPCA则使用法向量。PCA操作有助于3D形状匹配和检索。
摘要由CSDN通过智能技术生成

PCA(Principal Component Analysis，主成分分析)是模型处理中常用的一种方法，因为它能够有效地提取出模型的主要成分和结构，一定程度上去除噪音和干扰，因此成为了对3D模型施加其它后续操作的基本变换。由于模型的3D自由度，因而在对模型施加PCA操作时需要满足以下几个基本要求：平移不变性，旋转不变性，缩放不变性。在进行PCA分析时，由于旋转和缩放不变性比较容易实现，因而各种方法的差别主要就集中在旋转不变性的实现上。

常用的两种模型PCA方法有CPCA和NPCA，前一种方法基于网格模型的顶点统计属性而得到旋转矩阵，后一种方法基于网格模型的表面法向量统计属性而得到旋转矩阵。

假设模型的顶点集为V，法向量集为N。

CPCA：

最低0.47元/天 解锁文章
BugRunner
关注
专栏目录
形状：用于颗粒工程的SHape分析仪：三维颗粒几何形状的形态表征和简化-matlab开发
05-31
用于粒子工程的形状分析仪 SHAPE 的作用• 架构特性• 文件树• 简单示例• 致谢• BYOS • 确认 SHAPE SHAPE 的作用 SHAPE 从成像数据中实现三维粒子的形态特征，例如点云、表面和四面体网格或分段体素化图像（使用计算机断层扫描得出）。 对形状的所有三个方面进行形态表征，即形状、圆度和表面纹理（粗糙度）。 该代码还支持形状简化，使用边缘折叠技术将每个粒子的三角形面数量减少到用户定义的保真度级别。 粒子形状可以导出为多种格式，与各种 FEA 和 DEM 求解器兼容。 建筑特色 SHAPE 是使用面向对象的架构构建的，其中每个粒子都具有以下属性集： -Particle % e.g. 1, 2, 3, etc. -Particle_type % e.g. Original, Convex_hull, Face_No_10
三维主成分图matlab,PCA主成分分析之三维演示(Matlab)
weixin_34152044的博客
03-20 2864
PCA主成分分析之三维演示(Matlab)写这个的主要原因是实验课上的要求，原本需要写一个演示 PCA 原理的 demo ，按照实验指导书上来说，在二维上演示就好了，但是为了折腾和无聊装逼，我写了这个程序，我觉得更能直观的看出 PCA 的原理。可以完整的看到数据从三维降到二维，再到一维的整个过程。别看是简简单单的感觉，要写出来，还是需要对原理有比较深刻的认识的，代码没有参照网上，仅靠个人推导和联想...
三维点云处理系列----PCA
张飞飞的博客
05-30 3902
一、主成分分析 PCA推导的基础数学知识准备 1、矩阵和向量相乘 矩阵和向量相乘实际是矩阵对向量进行旋转加拉伸作用。可以试试例子：矩阵为[(0,1),(2,1)],向量为（1,0）’,相乘之后向量变成了（0,2）’。进行了旋转和拉伸。但是，如果向量刚好是矩阵的特征向量的时候，矩阵只会对向量有缩放的效果，不会有旋转。 2、SVD分解 一个矩阵，可以分解成三个矩阵相乘的形式。 U和V都是酉矩阵，即 Σ是一个对角阵。所以也可以从SVD的角度来理解矩阵和向量乘法的一个物理意义。U,V值会对向量进行旋转变换，而Σ
【三维点云处理】PCA主成分析＋实践(一)
点云兔子的博客
03-02 5867
@[TOC]三维点云处理：PCA主成分析＋实践 #PCA简介 #python代码 #实验结果 PCA简介 PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。 详情查看这两篇稿子 一 二 python代码 import open3d as o3d import os import numpy as np impor
PCA主成分分析之三维演示(Matlab)
苏围墙的博客
07-31 1万+
PCA主成分分析之三维演示(Matlab) 目录 PCA主成分分析之三维演示(Matlab) 目录 原理简介 结果展示 源代码 体会 原理简介 结果展示 源代码 function PCAdemo close all;clear;clc; h_figure = figure; mu = [0 0 0]; %协方差矩阵，对角为方差值0.3...
PCA主成分分析三维Demo（Matlab）
07-31
自己写的一个PCA主成分分析，使用三维的形式进行演示的，非常好用哦。
matlab 实现主成分分析（PCA）
06-04
主成分分析（PCA）是一种广泛应用于数据分析和机器学习领域的统计方法，主要目的是通过线性变换将高维数据转换为低维表示，同时保留原始数据的主要特征。PCA通过对数据进行正交变换，找到新的坐标轴（主成分），这些...
pca.zip_intoegx_pca降多少维_主成分分析降纬
09-20
在本案例中，“pca.zip_intoegx_pca降多少维_主成分分析降纬”指的是将一个三维的数据集通过PCA技术转化为二维，目标是确保在降低维度的过程中，数据的解释能力（即数据的总方差）至少能保持在95%以上。 PCA的工作...
主成分分析法（PCA）及MATLAB实现
12-22
主成分分析法（PCA）是一种常用的降维技术，旨在将高维数据降低到低维空间中，同时保留原始数据的主要信息。PCA 广泛应用于数据挖掘、机器学习、计算机视觉等领域。 主成分分析概念 主成分分析算法（PCA）是最常用...
主成分分析法PCA_pca_序列数据_主成分分析_
09-30
主成分分析（PCA）是一种广泛应用于数据分析的统计学方法，主要目标是将高维度的数据集转换为一组线性不相关的低维度表示，同时尽可能保留原始数据的信息。在处理大规模或复杂数据时，PCA有助于减少计算复杂性，提高...
三维点云处理-1.2主成分分析PCA
jiererer的博客
02-25 2359
一、 主成分（PCA）概念：将数据点投影到有特征性的方向上，每个数据点在向量上的投影就是主成分。 主成分用途：降维、法向量的估计、分类 二、 PCA的数学概念和物理意义 Rayleigh quotients 瑞利熵 SVD 主成分输入：一堆高维的点 主成分输出：最主要的向量 ①方差找最大的Z1②去掉Z1，然后找剩下的主成分③过程可以重复很多遍找到我们想要的主向量 PCA步骤总结：有一对点 ①减掉数据点的均值 ②...
三维模型特征提取方法概述
3D视觉工坊
11-08 4866
作者I开拓者5号@CSDN编辑I3D视觉开发者社区一、三维特征提取概述三维特征提取是模式识别中最基本的研究内容之一，可以有效地缓解模式识别领域经常出现的“维数灾难”问题并对识别性能起着...
3D模型更多自定义特征
qq_23158477的博客
03-21 1031
1.颈度，两个物体链接部分必然存在一部分类似脖颈的图形，数据域也一致，多个变量或者属性，颈度半径，颈度模长，类变形的胶囊或者圆柱体。 2.颈度上数据的关系，出现离散态后的处理思路。利用机器学习标记出大部分曲率较大的，但对于极其复杂的模型还是有些平坦的部分无法直接选出，需要二次处理。平坦部分需要穿越链接，边线外延需要进一步优化处理。为扣掉后逆向补洞做基础。 ...
R语言如何绘制三维PCA图（7）
qq_35294674的博客
05-09 3252
1.什么是三维PCA？ ​ 人眼一般能感知的空间为二维和三维。高维数据可视化的重要目标就是将高维数据呈现于二维或三维空间中。高维数据变换就是使用降维度的方法，使用线性或非线性变换把高维数据投影到低维空间，去掉冗余属性，但同时尽可能地保留高维空间的重要信息和特征。 ​ 主成分分析法，也被称为主分量分析法，是很常用的一种数据降维方法。主成分分析法采用一个线性变换将数据变换到一个新的坐标系统，使得任何数据点投影到第一个坐标（第一主成分）的方差最大，在第二个坐标（第二主成分）的方差为第二大，在第三个坐标（第三主
常见三维数据模型梳理
最新发布
NOSaac的博客
08-10 6289
3D Tiles 是 Cesium 于2016 年3月定义的一种三维模型瓦片数据结构。3DTiles 将海量三维数据以分块、分层的形式组织起来,这样就大大减轻了浏览器和图形处理单元（GPU）的负担。开放且灵活：作为一种开放式数据规范，3D Tiles 的切片方案灵活可变，三维模型的切片大小和覆盖范围可以人为设置。此外,3D Tiles 还能够适配三维空间中多种空间分区方案,包括KD树、四叉树、八叉树、普通网格，以及其他空间数据结构等。
三维模型obj文件解析
诺有缸的高飞鸟的博客
09-30 5372
3D模型obj文件解析，构造一个obj立方体并进行纹理映射实例讲解
PCA图 (主成分 biplot & 三维图) 绘制与解释 | python
热门推荐
用途：中英文学习笔记，如有侵权，可评论留言，及时清理；学历：NUS计算机硕士；SYSU地球物理学士
04-05 2万+
问题：如何绘制二维的主成分图，以及如何解释？ Code: import matplotlib.pyplot as plt import numpy as np def biplot(reduced_data, labels, pc, variable): """plot compositional biplot for two principle components :param reduced_data: data processed by PCA :param la
在线作图|2分钟绘制三维PCA图
weifanbio的博客
08-16 5583
三维PCA 主成分分析算法（PCA）是最常用的线性降维方法。PCA降维为了在尽量保证“信息量不丢失”的情况下，对原始特征进行降维，也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到这些维度上，使降维后信息量损失最小。PCA降维结果的可视化不仅可以用二维坐标表示，还可用三维坐标表示，即三维PCA图。 TUTU网站工具使用 免费的云图图（www.cloudtutu.com）可以画很多小伙伴问的三维PCA图！！！ 操作步骤如下： ①登录网址：https://www.cloudtutu.c
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值