m0_45868903的博客

FPS算法原理：1.输入点云有N个点，从N个点中任意选取一个点P0作为初始点。2.计算所有点到P0的距离，构成N维数组，从中选择距离最大值点P1，更新采样点集合B={P0,P1}。3.计算所有点到集合B中每个点的距离，将最小距离作为该点到集合的距离，选取最大距离作为采样点，更新采样点集合B。4.重复2-3步，直至采样点数量满足要求。如图所示：import numpydef farthest_point_sample(point,npoint): N,D = point.shape xyz

谱聚类推导过程较为繁琐，本文不作介绍，重点在于使用python语言实现算法。谱聚类步骤：1.建无向图，获取邻接矩阵W（对称矩阵）2.计算拉普拉斯矩阵L L = D-W,其中D为对角阵，每个元素为W在该行求和3.对L进行特征分解，获取最小的k个特征值对应的特征向量4.将k个特征向量构造成矩阵V5.i=1，…n，yi对应于V的第i行6.利用K-means对yi进行聚类代码：import numpy as npfrom sklearn.cluster import KMeansimport

K-means聚类步骤：1.随机选取K个中心点；2.每个数据点分配给K个中心点；3.通过每个类的均值重新计算中心点；4.对步骤2-3进行迭代计算。import numpy as npimport randomclass K_means(): def __init__(self,n_clusters=2,tolerance=0.0001,max_iter=300): #n_clusters是k（聚类数量），tolerance是允许误差，max_iter是迭代次数

import numpy as npimport open3d as o3dfrom pyntcloud import PyntCloudfrom pandas import DataFramedef voxel_filter(point_cloud,leaf_size,mode=='random'): #首先建立voxel grid x_max ,y_max ,z_max = np.max(point_cloud,axis=0) x_min ,y_min ,z_min =

1.1中学习了PCA算法，其中最大主成分为投影到某方向后方差最大的方向（信息量最大的方向）；而法向量为投影到某方向后，信息量最小的方向，因此需要PCA变换，将点云投影到特征值最小的方向。由于需要PCA算法，因此先把昨天的PCA算法拷贝过来。`import open3d as o3dimport numpy as npfrom pyntcloud import PyntCloudfrom pandas import DataFramedef PCA(data,correlation=False,s

PCA算法可以降低数据量，且最大程度保持原有信息，因此PCA算法在机器学习算法中得到广泛应用。PCA算法流程：1 计算数据平均值。2 数据归一化（减掉平均值）。3 构造H矩阵。4 SVD分解。5 最大特征值对应特征向量为第一主成分，以此类推。话不多说，直接上代码import open3d as o3dimport numpy as npfrom pyntcloud import PyntCloudfrom pandas import DataFramedef PCA(data,correla