PointNet++函数pc_normalize(pc)：点云归一化（代码详解）

点云归一化函数pc_normalize(pc)

def pc_normalize(pc):
    l = pc.shape[0]
    centroid = np.mean(pc, axis=0)
    pc = pc - centroid
    m = np.max(np.sqrt(np.sum(pc**2, axis=1)))
    pc = pc / m
    return pc

---

1. 获取点云数据中点的数量
2. 计算点云数据的质心
3. 将点云数据沿每个维度移动，使得质心位于原点
4. 计算点云数据的最大范数，即点云数据中点到原点的最远距离
5. 将点云数据按照最大范数进行归一化，使得点云数据的范围在 [-1, 1] 之间

# 点云归一化处理
def pc_normalize(pc):
	# 获取点云数据中点的数量
    l = pc.shape[0]
    
    # 计算点云数据的质心
    centroid = np.mean(pc, axis=0)
    
    # 将点云数据沿每个维度移动，使得质心位于原点
    pc = pc - centroid
    
    # 计算点云数据的最大范数，即点云数据中点到原点的最远距离
    m = np.max(np.sqrt(np.sum(pc**2, axis=1)))
    
    # 将点云数据按照最大范数进行归一化，使得点云数据的范围在 [-1, 1] 之间
    pc = pc / m
    
    # 返回归一化后的点云
    return pc

• l = pc.shape[0]：获取点云数据中点的数量。
• centroid = np.mean(pc, axis=0)：计算点云数据的质心（中心点）。
• pc = pc - centroid：将点云数据沿每个维度移动，使得质心位于原点。
• m = np.max(np.sqrt(np.sum(pc**2, axis=1)))：计算点云数据的最大范数，即点云数据中点到原点的最远距离。
  • pc**2：这一步是对点云数据中每个点的坐标进行平方操作，得到每个点在各个维度上的平方值。
  • np.sum(pc**2, axis=1)：这一步是对上一步得到的平方值在每行上进行求和操作，得到每个点的范数的平方。
  • np.sqrt(np.sum(pc**2, axis=1))：这一步是对上一步得到的每个点的范数的平方进行开方操作，得到每个点的范数。
  • np.max(np.sqrt(np.sum(pc**2, axis=1)))：最后，这一步是对上一步得到的每个点的范数进行求最大值操作，得到点云数据中点到原点的最远距离。
• pc = pc / m：将点云数据按照最大范数进行归一化，使得点云数据的范围在 [-1, 1] 之间。