最近報了個點雲學習的網課，前段時間因為各種問題，落下了很多課程，今天開始要好好搞起來了~~
python真的有點難，之前很少用，也藉著這次課程好好學習一下python
雖然pcl一些現成的庫裡面封裝了pca，但是自己寫出來，雖然是照著別人抄的，但是一點一點搞懂，也是有成就感的~~
import open3d as o3d
import os
import numpy as np
from pyntcloud import pyntcloud
from pandas import dataframe
def main():
points = np.genfromtxt("d:/desktop/深藍學院/airplane_0006.txt", delimiter=",")
points = dataframe(points[:, 0:3]) # 選取每一列 的 第0個元素到第二個元素 [0,3)
points.columns = ['x', 'y', 'z'] # 給選取到的資料 附上標題
point_cloud_pynt = pyntcloud(points) # 將points的資料 存到結構體中
point_cloud_o3d = point_cloud_pynt.to_instance("open3d", mesh=false) # to_instance例項化
data_mean = np.mean(points, axis=0) #對列求取平均值
# 歸一化
normalize_data = points - data_mean
# svd分解
# 構造協方差矩陣
h = np.dot(normalize_data.t, normalize_data)
# svd分解
eigenvectors, eigenvalues, eigenvectors_t = np.linalg.svd(h) # h = u s v
# 逆序排列
sort = eigenvalues.argsort()[::-1]
eigenvalues = eigenvalues[sort]
eigenvectors = eigenvectors[:, sort]
print(eigenvectors[:, 0]) #最大特徵值 對應的特徵向量，即第一主成分
print(eigenvectors[:, 1]) #第二主成分
#在原點雲中畫圖
point = [[0, 0, 0], eigenvectors[:, 0], eigenvectors[:, 1]] # 提取第一v和第二主成分 也就是特徵值最大的對應的兩個特徵向量 第乙個點為原點
lines = [[0, 1], [0, 2]] # 有點構成線，[0, 1]代表點集中序號為0和1的點組成線，即原點和兩個成分向量劃線
colors = [[1, 0, 0], [0, 1, 0]] # 為不同的線新增不同的顏色
# 構造open3d中的 lineset物件，用於主成分的顯示
利用Eigen庫，PCA構建點雲法向量
疫情在家，想做科研，可是資料都在學校電腦裡面。只能看看能不能回想起什麼寫點什麼。這次主要是想把提取出的點雲patch單獨進行點雲法向量的計算，因為已經構成patch，則不需使用knn或者設定鄰域半徑。接下來手撕 pca 來構建點雲法向量。1 define crt secure no warnings...
3D 24 PCA點雲法向量估計
點雲法向量的估計在很多場景都會用到，比如icp配準，以及曲面重建。基於pca的點雲法向量估計，其實是從最小二乘法推導出來的。假設我們要估計某一點的法向量，我們需要通過利用該點的近鄰點估計出乙個平面，然後我們就能計算出該點的法向量。或者可以這麼說，通過最小化乙個目標函式 要求的引數為法向量 使得該點與...
PCA解決三維點雲法向量問題
pca 主成分分析法，也可以用於處理三維點雲得到三維點雲的特徵向量，一直不是很理解為什麼分析點雲的主成分可以得到法向量，最近略有感悟，稍作分享。使用pca計算的點雲的過程可以看做是優化函式的過程 也可以這麼理解 點雲中的每乙個點和點雲中點組成乙個向量，這些小向量與最終想要求得的法線的向量積的平方和最...