【计算机图形学04】点云特征（含网格信息）总结综述

问题提出：

在现实中，我们经常面临对整片点云或者网格按照某种要求做特定的处理，这种处理可以是旋转，平移，缩放，找连通域，分类，分割或者某些特定的操作。这些问题的本质就是理解并找到当前这片点云或者网格的某种局部或者全局的特征。然后在这些特征的基础上，按照既定的对这些特征的要求，对找到的这些特征来进行特定的操作。而对这些特征的准确理解是算法得以可靠的解释以及改进的依据。
这些特征，可以是局部的某个区域的特征，比如局部的某个平面和某个坐标平面对其。又或者是某个物体的扫描模型，我们对其进行场景理解或者语义分割。这些都要求我们找出足够多的特征来进行点云/网格特征的提取，来满足业务上的需求。
点云与网格的区别：
从数据结构上，网格和点云的区别主要就是是否含有拓扑信息。因此，适用于点云的方法均适用于网格。而在网格中，因为有拓扑的加入，往往可以在曲面上找到更多更有效的特征，比如局部的曲率等。

指标：

（1）基础几何信息：

空间位置（x,y,z），法向量，曲率，颜色等，这些信息不一定都有。
Notes：虽然他们在平移旋转缩放时，均会有较大的变化。但是，他们是最基础的特征信息，无论在构造任何算法时都不应忽略他们的存在。

（2）基础信息的平均：

如平均位置，平均法向，平均曲率等等。
Notes：有时候，杂点或者噪声会影响局部的结果，但是整体的平均往往具有非常好的稳定性。在一些要求不太高的算法需求中，依靠他们得出的输出往往简单可靠。

（3）方差的pca：

通过计算点云的特征值和特征向量，可以拿到点云的整体特征。对于方差分布明显的，如单片点云或者网格，又或者呈现球状的点云和网格，可以用这种方法获取他们的方差分布的特点。

（4）拟合曲线或者曲面的方法：

【1】最小二乘法：拟合平面，圆，椭圆，圆柱等。
【2】ransac：拟合平面，圆，椭圆，圆柱等。
【3】霍夫圆检测：拟合平面，圆，椭圆，圆柱等。
Notes：对于三维的点云来说，可以直接进行平面等三维曲线或曲面的拟合。也可以在确定某个维度之后，将其视为二维点云来对其进行运算。如果是稠密的点云，我们可以将其映射到一张图像上。此时，所有图像处理的工具均可以被用来处理当前的问题。这时候，你的工具库就会非常的庞大了。

（5）拟合方法的产物：

【1】直线的方向，平面的法向等。
【2】圆的圆心，半径，椭圆的圆心、长轴，短轴的方向或者长度等。
Notes：这些参数在一些特定的场景下会非常有用，比如某些特定的检测场景，在他们的基础上构造出某些指标，可以作为某些问题检测的依据。

（6）局部信息的综合使用

我们可以在给定各种度量下的半径，或者其他自适应阈值的基础上，对局部网格进行局部的特征提取。然后将这些信息综合的运用起来作为整体特征，来进行整体特征的提取。这种方法在深度学习的paper中我看到过，对局部的特征提取并分类，在此基础上就可以对整体进行分割或者分类了。
notes：局部特征提取一定要考虑是旋转不变还是平移不变的，这对于如何综合运用这些特征具有决定性的作用。
eg：Radius-based Surface Descriptor：局部信息，综合使用。（具有旋转不变性）

（7）将点云信息转化成统计信息：

比如二维矩阵的矢量（matlab中常见）可以对结果进行直方图，分位数，极值，kmeans聚类等。这种方式文献中提到过，虽然我没用过，但是传统的统计方法作为最传统的特征提取方法，忘记他们是不应该的。
**总结：**可以看到在处理点云或者网格问题时，工具是非常多的：传统的图像处理和统计分析，经典的几何工具，大火的深度学习方法，这些都是我们解决现实问题的武器库，用好它们事半功倍。