点云使用PCA求解法线的数学原理和几何解释

数学原理：https://blog.csdn.net/linmingan/article/details/80586214

在对点p及其邻域的协方差矩阵进行分解后，我们可以得到3个特征向量及其对应的特征值，我们尝试对特征值和特征向量的几何意义进行分析。

从PCA降维(即将某个维度的点投影到更低的维度)的角度来看，要取得更好的降维效果，目的就是让投影的距离尽可能小，投影的距离我个人理解为在降维过程中所丢失的信息量，丢失的信息量越小，降维效果越好。另一种解释是要让点在更低维度上的投影尽可能的分散，要做到这个效果，就是要让点的投影到原点的距离(差异)尽可能的大(点到原点的距离大，点与点之间的差异就会相应变大)，这是从信息论的角度出发的，即差异越大，熵越大，点也就越分散。这两种效果是同时发生的(两面性)，即投影距离越小，投影点到原点的距离就越大；换一句话说，投影过程中信息丢失越小，投影点的差异程度越大，降维效果越好(勾股定理)。

回到特征值和特征向量，三个特征向量我们从大到小分别记为x，y，z，其特征值分别表示沿x，y，z三个方向的差异度，即点沿x轴方向差异度最大，沿y轴次之，沿z轴差异度最小。那么沿着z轴降维，信息丢失最小，从几何角度上说，即是点到面的距离最小。其实我们也能够得出结论，即沿着法线降维，效果最好。

其实点云的信息量可以看成是分别沿着x,y,z三个轴的差异之和(信息量=差异度)，沿着某个轴投影相当于减去在这个轴上的信息量，那么上面两段就能够统一了。