PCA相关 PCL库和Matlab对比

PCA相关 PCL库和Matlab对比

首先我们的问题是：

看懂 PCL 库计算 PCA 的结果，通过和 Matlab 相比。

首先，我们的数据是：

//这是5个点(p)，每一行是p.x  p.y  p.z
	-0.376005, -0.541869, -0.342539;
	-0.184247, -0.617787, -0.348916;
	-0.672017, -0.49449,   0.035638;
	-0.556014, -0.604463, -0.575986;
	-0.834069, -0.786591, -0.703937;

1、PCL的计算方法

void Tools::PCA(PointCloud<PointT>::Ptr aimCloud, Vector4f *pcaCentroid, 
                Matrix3f *eigenVectorsPCA, Vector3f *eigenValuesPCA) {
	pcl::compute3DCentroid(*aimCloud, *pcaCentroid);
	Eigen::Matrix3f covariance;
	pcl::computeCovarianceMatrixNormalized(*aimCloud, *pcaCentroid, covariance);
	Eigen::SelfAdjointEigenSolver<Eigen::Matrix3f>eigenSolver(covariance, Eigen::ComputeEigenvectors);
	*eigenVectorsPCA = eigenSolver.eigenvectors();
	*eigenValuesPCA = eigenSolver.eigenvalues();
	eigenVectorsPCA->col(2) = eigenVectorsPCA->col(0).cross(eigenVectorsPCA->col(1)); //校正主方向间垂直
	eigenVectorsPCA->col(0) = eigenVectorsPCA->col(1).cross(eigenVectorsPCA->col(2));
	eigenVectorsPCA->col(1) = eigenVectorsPCA->col(2).cross(eigenVectorsPCA->col(0));	
}

	//计算点云的PCA
	Vector4f pcaCentroid;
	Matrix3f eigenVectorsPCA;
	Vector3f eigenValuesPCA;
	//cloud是只有上述5个点的点云
	tools->PCA(cloud, &pcaCentroid, &eigenVectorsPCA, &eigenValuesPCA);
	cout << "特征值(3x1):\n" << eigenValuesPCA << endl;
	cout << "质心(3x1):\n" << pcaCentroid << endl;
	cout << "特征向量(3x3):\n" << eigenVectorsPCA << endl;

计算结果是：

特征值(3x1):
 0.00201173
 0.0439675
 0.0787971
 
质心(3x1):
 -0.524471
 -0.60904
 -0.387148
        1
        
特征向量(3x3):
 -0.0959844  -0.877313    0.470221
  0.946544    0.0657084   0.315809
 -0.307961    0.475398    0.824109

2、Matlab的计算方法

feature = [
-0.376005, -0.541869, -0.342539;
-0.184247, -0.617787, -0.348916;
-0.672017, -0.49449, 0.0356387;
-0.556014, -0.604463, -0.575986;
-0.834069, -0.786591, -0.703937;
];
[coeff, score, latent, tsquared, explained, mu] = pca(feature)

计算结果是：

coeff =
    0.4702    0.8773   -0.0960
    0.3158   -0.0657    0.9465
    0.8241   -0.4754   -0.3080
    
score =
    0.1278    0.1046    0.0356
    0.1887    0.2809   -0.0527
    0.3152   -0.3380   -0.0076
   -0.1690    0.0618    0.0655
   -0.4627   -0.1093   -0.0408

latent =
    0.0985
    0.0550
    0.0025
    
tsquared =
    0.8687
    2.9020
    3.1101
    2.0664
    3.0528

explained =
   63.1507
   35.2371
    1.6123

mu =
   -0.5245   -0.6090   -0.3871

3、Matlab的计算方法和PCL计算结果的对比

1、COEFF，返回N×P数据矩阵X的主成分系数。X的行对应于观测值，列对应于变量。
   每列系数包含一个主成分的系数。各列按主成分方差（latent）降序排列。
   默认情况下，PCA将数据居中并使用奇异值分解算法。对于非默认选项，请使用名称/值对参数。
   --------------------------------------------------------------------------------------
coeff =											特征向量(3x3):
    0.4702    0.8773   -0.0960							-0.0959844  -0.877313    0.470221
    0.3158   -0.0657    0.9465							 0.946544    0.0657084   0.315809
    0.8241   -0.4754   -0.3080							-0.307961    0.475398    0.824109
   --------------------------------------------------------------------------------------
其实是一样的，只是PCA里面对轴的方向做出了调整。
=========================================================================================  


2、SCORE，返回主成分得分，它是X在主成分空间中的表示。
   score的行对应观察值，列对应主成分。中心数据可以用SCORE*COEFF'重建。
   --------------------------------------------------------------------------------------
score =
    0.1278    0.1046    0.0356
    0.1887    0.2809   -0.0527
    0.3152   -0.3380   -0.0076
   -0.1690    0.0618    0.0655
   -0.4627   -0.1093   -0.0408
   --------------------------------------------------------------------------------------
PCL没有算这个
=========================================================================================  


3、LATENT，返回每个主成分方差，即X的协方差矩阵的特征值，特征值从大到小进行排序。
   --------------------------------------------------------------------------------------
latent =
    0.0985
    0.0550
    0.0025
   --------------------------------------------------------------------------------------
PCL没有算这个
=========================================================================================  


4、TSQUARED，返回X中每个观测值的Hotelling T平方统计值。   
   --------------------------------------------------------------------------------------
tsquared =
    0.8687
    2.9020
    3.1101
    2.0664
    3.0528
   --------------------------------------------------------------------------------------
PCL没有算这个
========================================================================================= 


5、EXPLAINED，返回一个向量，其中包含每个主成分方差占总方差的百分比。 
   -------------------------------------------------------------------------------------- 
explained =									PCL手算的结果
   63.1507										0.01612268929531747
   35.2371										0.35237051770956884
    1.6123										0.6315067929951137
   --------------------------------------------------------------------------------------
PCL这个得自己算：
    sum = 0.00201173 + 0.0439675 + 0.0787971
    print(0.00201173 / sum)
    print(0.0439675 / sum)
    print(0.0787971 / sum)
========================================================================================= 


6、MU，“Centered”设置为true时返回估计的平均值MU；设置为false时返回所有零。
   -------------------------------------------------------------------------------------- 
mu =
   -0.5245   -0.6090   -0.3871
   
质心(3x1):
    -0.524471
    -0.60904
    -0.387148
            1
   -------------------------------------------------------------------------------------- 
PCL第四个值不要就可以了。
=========================================================================================