![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
三维点云处理
文章平均质量分 70
小颜呀
这个作者很懒,什么都没留下…
展开
-
三维点云处理第三章--EM算法(Expectation-Maximization)
EM算法包括前面的E-step和M-step。EM算法想要解决的就是,给定一堆数据点,有一个模型,这个模型的参数是未知的,我们想要用最大似然的方法来估算出模型的参数。直接计算比较难,所以引入一个latent variables Z,Z就是一个点属于哪一个类的概率,P(z)就是一个点属于哪一个类的概率。第一步E-step,固定,算latent variables的概率,也就是GMM里面的后验概率。第二步M-step,构造Q函数,是关于Z概率的对数函数的期望值,最大化Q函数可以间接的去最大化我想要目标函数P(x原创 2023-07-09 21:41:29 · 146 阅读 · 1 评论 -
三维点云处理第二章笔记(1)—Binary Search Tree
首先查到8这个节点,那么我的worst distance = 3(11-8),最近的邻居距离11至少3那么远,左边距离会更远,11比8大,故应该先向右边看,到10,此时最坏距离为1,需要搜索(10-12),右边比10大,先找右边,找到14,最坏距离不变,11比14小,所以需要寻找14的左边,找到13,发现没有变化,返回14,返回10,返回8,此时看看是否需要找左边,我在右边已经找到10,最坏距离为1,无论在8的左边如何找,都不会使最坏距离小于1,故不需再找。红色的点是要查的点,蓝色绿色点是数据库里有的点。原创 2023-07-01 17:22:21 · 81 阅读 · 0 评论 -
三维点云处理第三章(2)--K-Means(聚类算法)
第一步任意选择K个中心点,然后计算每个点属于哪一个类,第二步将每一个点分配到每一个类之后,第三步更新每一个类中心点的位置(把每个类的求一个平均值,作为这一个类的中心点)。原创 2023-07-09 16:18:03 · 596 阅读 · 1 评论 -
三维点云处理第三章(3)--GMM(高斯混合模型)
混合高斯模型就是把每一个类都用一个高斯分布来描述。K-Means对每一个类是没有建模的,它只是给一个中心点,GMM进一步的用高斯模型来描绘这个类里面的数据。也就是说,现在每一个类是一个概率模型,也就可以给出每一个点属于哪一个类的概率。原创 2023-07-09 17:44:35 · 699 阅读 · 1 评论 -
三维点云处理第三章(1)--Clustering(聚类)
相似的东西放在一起,看作一个类。聚类涉及到的相关知识很多。原创 2023-07-04 14:58:14 · 189 阅读 · 0 评论 -
三维点云处理第二章(3)---Octree
八叉树是专门为三维设计的,它本身就是一个个正方体。在最临近搜索里面最大的好处就是可以提前结束搜索。原创 2023-07-03 16:33:23 · 115 阅读 · 1 评论 -
三维点云处理第二章(2)--Kd-tree
Kd-tree就是可以在K维空间中(任一维均可)工作的树。类似于在每一个维度都跑一下二叉树。原创 2023-07-03 15:17:48 · 149 阅读 · 1 评论