点云数据线条性、平面性、发散性的几何意义
在利用机器学习进行点云语义分割的特征选取过程中,点云数据的线条性、平面性、发散性是重要的几何特征。下表中 λ 1 λ 2 λ 3 \lambda _1 \lambda _2 \lambda _3 λ1λ2λ3 表示某点的邻域点云的协方差矩阵的特征值,并且 λ 1 > λ 2 > λ 3 \lambda _1 >\lambda _2 > \lambda _3 λ1>λ2>λ3 。
性质 | 公式 | 描述 | 几何意义 |
---|---|---|---|
线条性 | L = λ 1 − λ 2 λ 1 L =\frac{\lambda _1 - \lambda _2} {\lambda _1} L=λ1λ1−λ2 | A measure of linear-likeness | λ 1 > > λ 2 , λ 3 \lambda _1 >> \lambda _2 , \lambda _3 λ1>>λ2,λ3时呈线性 |
平面性 | P = λ 2 − λ 3 λ 1 P=\frac{\lambda _2 - \lambda _3} {\lambda _1} P=λ1λ2−λ3 | A measure of planar-likeness | λ 1 ≈ λ 2 > > λ 3 \lambda _1 \approx \lambda _2 >> \lambda _3 λ1≈λ2>>λ3时呈平面性 |
发散性 | S = λ 3 λ 1 S=\frac{\lambda _3} {\lambda _1} S=λ1λ3 | A measure of spherical-likeness | λ 1 ≈ λ 2 ≈ λ 3 \lambda _1 \approx \lambda _2 \approx \lambda _3 λ1≈λ2≈λ3时呈球性 |
点云数据协方差矩阵的特征向量最直观的解释之一是它们数据变化最大的方向,第一个特征向量是数据变化最大的方向,第二个特征向量是与第二个特征向量正交的方差最大的方向,第三个特征向量是方差最大的与前两个正交的方向。