Farthest Point Sampling (FPS)算法详讲

最新推荐文章于 2024-10-25 13:21:41 发布

业余小程序猿

最新推荐文章于 2024-10-25 13:21:41 发布

阅读量1.4k

点赞数 13

文章标签：人工智能机器学习深度学习

本文链接：https://blog.csdn.net/study_jiang_up/article/details/136487264

版权

本文详细介绍了FPS算法，一种在点云数据中选择代表性点的方法。该算法通过选取与已有点最远的点来保证空间分散，适用于点云降采样、特征提取、数据压缩和点云重建。通过逐步过程解释了算法的工作原理和应用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、什么是FPS算法

Farthest Point Sampling（FPS）。它是一种常用的点云采样方法，用于在点云数据集中选择一部分代表性的点。FPS的主要思想是从点云中选择与已选择点之间最远的点，以确保选择的点在空间上尽可能分散，从而提高采样的效率和代表性。FPS通常用于点云处理、计算机图形学和计算机视觉等领域。

二、FPS算法的作用

FPS算法的主要作用是在点云数据中选择一部分代表性的点。这些代表性的点可以用来减少点云数据的复杂性，从而降低处理成本并加速后续的计算。FPS通常用于以下几个方面：

点云降采样：对于大型点云数据集，FPS可以帮助减少点的数量，从而降低处理和存储成本，同时保留足够的信息以保持数据的代表性。
特征提取：在点云中选择代表性点后，可以在这些点上计算特征，例如法向量、曲率等。这些特征可以用于点云分析、分类、配准等任务。
数据压缩：FPS可以用于对点云数据进行压缩，去除冗余信息并保留主要特征，以节省存储空间。
点云重建：在点云重建过程中，FPS可以用于选择一组代表性的点，以便在重建过程中更有效地表示原始对象的形状。

三、FPS算法的思想

假设有 n 个点进行FPS算法，采样出 k (k<n) 个点。现在有 A ，B 两个集合，A 表示选中的点形成的集合， B 表示未选中的点构成的集合。顾名思义，FPS做的事情是：每次从集合 B 里面选一个到集合 A 里面的点距离最大的点。

最初状态： A 为空， B 包括所有点。

选第一个点。可以对所有点shuffle（乱序）后，选第一个点即可。大部分实现也是这么做的。第一个点选完之后，将其移动到集合 A 中。此时，集合 A 包含 1 个点，集合 B 包含 n−1 个点。

选第二个点。分别计算出集合 B 里面的每个点到集合 A 中的一个点的距离，选距离最大的点，将其移动到集合 A中。此时，集合 A 包含 2 个点，集合 B 包含 n−2 个点。

选第三个点。此时，如何定义集合 B 里面的点，到集合 A 里面的点的距离？因为集合 A 里面不止有一个点。这是理解FPS的核心。假设点 $p_{B}$ 是集合 A 里面的一个点，计算 $p_{B}$ 的距离的方式如下：

分别计算出 $p_{B}$ 到集合 A 中每个点的距离。此时集合 A 里面有两个点，所以可以计算出两个距离值。
从计算出来的距离值里面，取最小的距离值，作为点 $p_{B}$ 到集合 A 的距离值。

对于集合 B 里面的每个点，都可以计算出一个距离值：{ $P_{_{B}^{}}^{1} ,P_{_{B}^{}}^{2} ,P_{_{B}^{}}^{3} ,...P_{_{B}^{}}^{n-2}$ }。选出最大的距离值对应的点，最为第3个点，移动集合 A 中。此时，集合 A 包含 3 个点，集合 B 包含 N−3 个点。