点云的归一化与反归一化

最新推荐文章于 2024-04-29 20:29:28 发布

转载最新推荐文章于 2024-04-29 20:29:28 发布 · 6k 阅读

24 ·

CC 4.0 BY-SA版权

原文链接：https://blog.csdn.net/m0_37718643/article/details/122144764

文章标签：

#python #机器学习 #深度学习

点云同时被 2 个专栏收录

2 篇文章

订阅专栏

点云处理

2 篇文章

订阅专栏

本文详细介绍了点云数据的归一化操作，包括计算质心和平移，以及对点云进行缩放的过程。归一化有助于优化算法的收敛。同时，解释了反归一化的重要性，用于恢复点云的原始尺寸。通过示例代码，展示了如何在PointNet框架中进行点云的归一化和反归一化操作。

归一化的作用：
数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解

点云的归一化：
参考自pointnet的源码，增加了注释：

def pc_normalize(pc):
    """
    对点云数据进行归一化
    :param pc: 需要归一化的点云数据
    :return: 归一化后的点云数据
    """
    # 求质心，也就是一个平移量，实际上就是求均值
    centroid = np.mean(pc, axis=0)
    pc = pc - centroid
    m = np.max(np.sqrt(np.sum(pc ** 2, axis=1)))
    # 对点云进行缩放
    pc = pc / m
    return pc

参数解析(参考自numpy源码)：

def np.mean(a, axis=None, dtype=None, out=None, keepdims=np._NoValue, *,
         where=np._NoValue):
"""
沿指定轴计算算术平均值 
Parameters:
a:需要计算的点云数据
axis:指定轴
	 axis=0:对a数组的每列求平均值
	 axis=1:对a数组的每行求平均值
"""