点云的基本特征和描述

@

一、点云特征的基本要求

在这里插入图片描述
http://www.pointclouds.org/documentation/tutorials/

二、点云特征的分类

在这里插入图片描述
在这里插入图片描述
https://blog.csdn.net/shaozhenghan/article/details/81346585

三、点云的基本特征描述

  1. 二维情况
    在这里插入图片描述
  2. 三维情况
    在这里插入图片描述

四、PCA(Princile Components Analysis)主成分分析

4.1 谱定理(Spectral Theorem)

在这里插入图片描述

4.2 Rayleigh Quotients

在这里插入图片描述

4.3 SVD分解的物理意义

在这里插入图片描述

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。

在这里插入图片描述
  • 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

在这里插入图片描述
  • 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:
\[\bar{x}=\frac{1}{n} \sum_{i=1}^{N} x_{i} \]
  1. 计算样本方差:
\[S^{2}=\frac{1}{n-1} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2} \]
  1. 计算样本协方差:
\[\begin{array}{l} \operatorname{Cov}(X, X)=E[(X-E(X))^T(X-E(X))] \\ \quad=\frac{1}{n-1} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^T(x_i-\bar{x}))\end{array}\]
  1. 计算协方差矩阵:
\[\frac{1}{n}(X-\bar{x})^T(X-\bar{x}) \]
  1. 特征分解:
\[V\left(\begin{array}{ccc} \lambda_{1} & \\ & \lambda_{2} & \\ && \lambda_{3} \end{array}\right) V^{T}\]
\[\lambda_{1} \geq \lambda_{2} \geq \lambda_{3} \geq 0 \]

在这里插入图片描述
在这里插入图片描述

4.5 应用:PCA – Dimensionality Reduction

在这里插入图片描述
在这里插入图片描述

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

  • 5
    点赞
  • 52
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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