美团面试—手撕numpy之fps点云最远点采样实现

本文介绍了点云处理中的一种重要采样方法——最远点采样(FPS)。通过逐步选择距离现有样本最远的点，确保采样点均匀分布在整个点云上。文章详细解释了FPS算法的具体步骤，并提供了Python实现示例。

FPS

没有想到不按套路出牌的美团今早就撕了这个。

点云最远点采样，从一堆点集中选出一些点，使得他们尽可能地远离。这样采样出来的点能比较好的表征整个轮廓。在pointnet++中就用到过。

整体思路是：分别维护一个已选取和待选取的点云集合。先从点云集合中选出一个点，然后计算其余所有点到该点的距离，距离最大的那个点是下次要加入的点。当pick集合中有多个点时，距离的定义为到集合每个点距离中的最小距离。
关于距离的计算：维护一个distance列表，对于每次pick出来的点，去更新distance。可以利用前缀性质，不需要重新计算点到集合中所有点的距离了，而是选取原值和到新point的距离中的较小值，即dis = min(dis, newdis)。
关于第一个点的选取：一般用离点云重心最远的点作为初始点

import numpy as np
import matplotlib.pyplot as plt

# def compute_dis(points):
#     ## points: N*3
#     ## return -- distances: N*N
#     points_dis = np.sum(np.power(points, 2), axis=1) # N
#     distances = np.expand_dims(points_dis, axis=1).repeat(points.shape[0], axis=1) # N*N
#     distances = distances + distances.T + 2 * np.dot(points, points.T)
#     return distances

def plot(points, sample_points):
    ax = plt.axes(projection='3d')
    ax.scatter3D(points[:,0