点云的基本特征和描述，PCA主成分分析

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

1. 二维情况
   
2. 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$\sigma$,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:

1. 法向量方向
2. 对应(等效)椭球体的最短轴方向
3. 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

1. 找到点$x_i$周围半径$R$范围内的所有点$X$,计算均值：
   $$\bar{x}=\frac{1}{n}\sum _{i=1}^N{x}_i$$
2. 计算样本方差：
   $$S^2=\frac{1}{n-1}\sum _{i=1}^n{\left(x_i-\bar{x}\right)}^2$$
3. 计算样本协方差：

$$\begin{array}{l}\mathrm{Cov}(X,X)=E[(X-E(X){)}^T(X-E(X))]\\ =\frac{1}{n-1}{\sum }_{i=1}^n{\left(x_i-\bar{x}\right)}^T(x_i-\bar{x}))\end{array}$$

4. 计算协方差矩阵：
   $$\frac{1}{n}(X-\bar{x}{)}^T(X-\bar{x})$$

5. 特征分解：
   $$V\left(\begin{array}{ccc}{\lambda }_1& & \\ & {\lambda }_2& \\ & & {\lambda }_3\end{array}\right)V^T$$
   $${\lambda }_1\ge {\lambda }_2\ge {\lambda }_3\ge 0$$
   

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

支付宝

微信