文章目录
一、点云特征的基本要求
http://www.pointclouds.org/documentation/tutorials/
二、点云特征的分类
https://blog.csdn.net/shaozhenghan/article/details/81346585
三、点云的基本特征描述
- 二维情况
- 三维情况
四、PCA(Princile Components Analysis)主成分分析
4.1 谱定理(Spectral Theorem)
4.2 Rayleigh Quotients
4.3 SVD分解的物理意义
矩阵M经过SVD分解,分解成两个正交矩阵UV和对角阵
σ
\sigma
σ,因此一个高维向量乘以M矩阵就相当于对向量在高维空间进行了旋转和拉伸。
- 使用的核心算法是矩阵的特征值分解。
- 基于矩阵特征值或者SVD分解求:
- 法向量方向
- 对应(等效)椭球体的最短轴方向
- 对应点云坐标的协方差矩阵的最小特征值对应的特征向量
- 数据集在某个基上的投影值(也是在这个基上的坐标值)越分散,方差越大,这个基保留的信息也就越多
- 信息量保存能力最大的基向量一定是的协方差矩阵的特征向量,并且这个特征向量保存的信息量就是它对应的特征值.
4.4 点云的PCA步骤
- 找到点
x
i
x_i
xi周围半径
R
R
R范围内的所有点
X
X
X,计算均值:
x ˉ = 1 n ∑ i = 1 N x i \bar{x}=\frac{1}{n} \sum_{i=1}^{N} x_{i} xˉ=n1i=1∑Nxi - 计算样本方差:
S 2 = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) 2 S^{2}=\frac{1}{n-1} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2} S2=n−11i=1∑n(xi−xˉ)2 - 计算样本协方差:
Cov ( X , X ) = E [ ( X − E ( X ) ) T ( X − E ( X ) ) ] = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) T ( x i − x ˉ ) ) \begin{array}{l} \operatorname{Cov}(X, X)=E[(X-E(X))^T(X-E(X))] \\ \quad=\frac{1}{n-1} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^T(x_i-\bar{x}))\end{array} Cov(X,X)=E[(X−E(X))T(X−E(X))]=n−11∑i=1n(xi−xˉ)T(xi−xˉ))
-
计算协方差矩阵:
1 n ( X − x ˉ ) T ( X − x ˉ ) \frac{1}{n}(X-\bar{x})^T(X-\bar{x}) n1(X−xˉ)T(X−xˉ) -
特征分解:
V ( λ 1 λ 2 λ 3 ) V T V\left(\begin{array}{ccc} \lambda_{1} & \\ & \lambda_{2} & \\ && \lambda_{3} \end{array}\right) V^{T} V⎝⎛λ1λ2λ3⎠⎞VT
λ 1 ≥ λ 2 ≥ λ 3 ≥ 0 \lambda_{1} \geq \lambda_{2} \geq \lambda_{3} \geq 0 λ1≥λ2≥λ3≥0
4.5 应用:PCA – Dimensionality Reduction
打赏
码字不易,如果对您有帮助,就打赏一下吧O(∩_∩)O