Meshlab 最远点采样（FPS）

本文所给出代码仅为参考，禁止转载和引用，仅供个人学习。

FPS 是一种下采样算法，每次采样的时候都选择离之前已经采样得到的个点距离最远的点。FPS能够较好的保证采样后的点具有较好的覆盖率。因此在分割领域被广泛的使用但是FPS的计算复杂度与输入点云的点数呈平方相关，所以FPS并不适用用来处理大规模的点云。举例来说，如果输入一个具有百万个点的大场景点云时，使用FPS将其采样到原始规模的10%就需要200秒！

简介 以下我们将最远点采样(Farthest Point Sampling)简记为FPS。这种采样方法我觉得非常有趣。个人觉得比随机采样得到的数据能够表现更多的“轮廓性”，其次用的数据集也不像随机采样那么多。首先我们来介绍FPS的算法原理。 算法原理 1. 点与集合的距离 假设S={x1,⋯ ,xN}⊂RnS=\left\{x_1,\cdots,x_N\right\}\subset \mathbb{R}^nS={x1​,⋯,xN​}⊂Rn 中的一个有限点集合。一般情况，这里的nnn等于1，2, 3。点与点的

一、回忆Farthest Point Sampling算法过程（建议详细看完） 我们选取一个点云，我们假设整个点集为一共有n个点，来进行算法的讲解。 随机在整个点集中选取一个点作为起始点，并且放入集合中，其中集合B为我们采样后的点集。 计算剩余n-1个点到的距离，并且选择距离最大的点，假设为，并将这个点写入集合。 计算剩余n-2个点距离集合B中的点的距离，并选取最小的距离值假设为，其中假设点为，再计算n-2个点距离集合B中点的距离，并选取最小的距离值假设为，其中假设点为,随后选取和中比较大的值，假设

最远点采样(Farthest Point Sampling)是一种非常常用的采样算法，由于能够保证对样本的均匀采样，被广泛使用，像3D点云深度学习框架中的PointNet++对样本点进行FPS采样再聚类作为感受野，3D目标检测网络VoteNet对投票得到的散乱点进行FPS采样再进行聚类，6D位姿估计算法PVN3D中用于选择物体的8个特征点进行投票并计算位姿。 对于FPS算法的原理，两篇博文：PointNet++的pytorch实现代码阅读，以及 PointNet++详解与代码 已经介绍的非常详细了，一句话概

通过迭代、增量的方式来选择距离前一个点最远的点从而实现数据的采样过程

通过使用Meshlab点云处理工具中的最远点采样方法，我们可以有效地从大规模的点云数据中提取具有代表性的点，以用于各种应用，如三维建模、物体识别等。最远点采样（Farthest Point Sampling）是一种在点云数据中选择最具代表性的点的方法。该函数首先随机选取第一个点，然后迭代地选择与已选点之间距离最远的点，直到达到指定数量的选取点。最远点采样的思想是从点云中选择与已选点之间距离最远的点作为下一个选取的点。这样可以保证所选取的点能够尽可能地覆盖整个点云，达到最好的代表性。

在本文中，我们介绍了如何使用 Matlab 实现最远点采样，并给出了完整的代码实现。最远点采样的原理很简单，就是从点集中选出一个距离其他点最远的点，然后以该点为中心继续往外扩展，直到采样点数达到要求或所有点都被覆盖。在寻找下一个最远点的过程中，我们需要计算每个点到已有采样点之间的最短距离，并选择距离最远的点作为下一个采样点。接着，我们需要不断地寻找下一个最远点，并将其作为下一个采样点，直到采样点数达到要求或所有点都被覆盖。我们首先需要读取点云数据，这里我们假设点云数据已经保存在文件中，可以使用。

最远点采样的基本思想是：在每次迭代中，从未选中的点中选择一个与已选点集中距离最远的点。通过这种方式，可以确保所选点在空间上的分布尽可能均匀。这种方法特别适用于处理大规模点云数据

最远点采样（FPS）可以设置采样的点数，比起网格采样等方法更加实用，被应用在点云处理方法中（例如PointNet++）。缺点是每次要计算两个集合中所有点的相对距离，计算量较大。但实际上，采取矩阵运算的实现方式，计算速率也能接受。 下面是FPS的Python实现，主要包括计算索引和映射点两步骤，度量使用欧式距离。 def FarthestPointSampling_ForBatch(xyz, npoint): B, N, C = xyz.shape centroids = np.zer

FPS算法详解

远点采样（Farthest Point Sampling，FPS）算法是一种在数据点集中有效选择代表性样本点的方法，广泛应用于计算机图形学、机器学习和点云处理等领域。该算法通过迭代方式选取点集中彼此距离最远的点，确保选出的样本点覆盖范围广泛，有效捕捉到数据集的整体结构特征。FPS算法开始时随机选择一个起始点，然后在每次迭代中，选取到当前已选点集距离最远的点作为新的样本点，直至达到预定的样本数量。此方法不仅提高了数据处理的效率，减少了计算负担，还能在进行点云简化、网格重建、特征提取等操作时，保留重要的几何信

最远点采样是三维点云分割中常用到的下采样方法，通过下采样更少点获取邻域点云块的更高维特征，丰富点云的特征提取。

使用的版本为solidworks 2016+meshlab 2016.12+PCL 1.8.0 solidworks部分 绘制想要渲染成点云数据的模型 另存为的时候选择STL文件 mashlab部分 2.1 File->import mesh->保存的stl文件 选择ok 点击就可以看到模型的坐标系 2.2修改坐标系 Filters->normal, curvatures and orientation->transform:rotation（旋转）//translat.

Farthest Point Sampling的原理是,先随机选一个点,然后呢选择离这个点距离最远的点(D中值最大的点)加入起点,然后继续迭代,直到选出需要的个数为止 其主要代码如下: %main.m clear options; n = 400; [M,W] = load_potential_map('mountain', n); npoints_list = round(

Open3D-0.15.2版本集成了FPS下采样算法，本博客为调用函数的实现。博客长期更新，本文最近更新时间为：2025年1月11日。

最远点采样源码实现及详解