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。

在这里插入图片描述

  • 2
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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