目录 前言 预备知识 2.1 点云法向量 2.2 主元分析(PCA)算法 2.2.1 点云主元分析的数学基础 2.2.2 点云主元分析的数学原理 2.3 空间 K 近邻 2.3.1 空间分割法 2.3.2 Kd树索引 2.4 卷积神经网络 2.4.1 卷积层 2.4.2 池化层 2.4.3 全连接层 2.4.4 ReLu激活函数 2.4.5 SoftMax_with_Loss层 法向量估计与基于法向量的曲面变化度量 3.1 平面拟合的法向量估计算法 3.2 二次曲面拟合的法向量估计算法 3.3 法向量重定向 前言 法向量是点云数据的重要属性,准确的法向量对很多点云处理算法都至关重要:在基于 点的渲染技术中,显示效果的很大程度上取决于法向量的准确程度;许多曲面重建算法 [1] 也需 要准确的法向量作为输入,如 multi-level partition of unity(MPU) 隐曲面方法 [2] 需要依赖法向量 聚类才能识别和重建尖锐特征