点云学习【1.1】PCA

最新推荐文章于 2025-06-09 09:14:56 发布

原创最新推荐文章于 2025-06-09 09:14:56 发布 · 786 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #python #人工智能

点云学习专栏收录该内容

6 篇文章

订阅专栏

该博客介绍了如何运用PCA（主成分分析）算法降低三维点云数据的维度，同时保持关键信息。首先计算数据平均值并进行归一化，然后构建H矩阵并进行SVD分解，通过选取最大特征值对应的特征向量找到主成分。通过Python代码展示了PCA在处理点云数据中的应用，提取了点云的主要方向。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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证明详见“机器学习”板块中的“一、数据清洗”）
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 o3d
import numpy as np
from pyntcloud import PyntCloud
from pandas import DataFrame

def PCA(data,correlation=False,sort=True):
    data_mean = np.mean(data,axis=0)
    data_normalize = data - data_mean
    H = np.dot(data_normalize.T,data_normalize)
    eigenvectors,eigenvalues,eigenvectors_t=np.linalg.svd(H)
    if sort:
        sort = eigenvalues.argsort()[::-1]
        eigenvalues = eigenvalues[sort]
        eigenvectors = eigenvectors[:,sort]
    return eigenvectors , eigenvalues


def main():
    #创建数组表格数据 读取txt文档
    raw_point_cloud_matrix = np.genfromtxt(r"F:\\point cloud\\三维点云课程\\3d数据集\\modelnet40_normal_resampled\\airplane\\airplane_0002.txt", delimiter=",")
    #可以理解为建立表格，类似excel,且只需要前三列数据（x,y,z）
    raw_point_cloud=DataFrame(raw_point_cloud_matrix[:,0:3])
    raw_point_cloud.columns = ['x','y','z']
    #将数据转化为open3d可以识别的格式
    point_cloud_pynt = PyntCloud(raw_point_cloud)
    #从点云中获取点
    points = point_cloud_pynt.points
    print("total points number is :"points.shape[0])
    #使用PCA分析点云主方向
    w,v = PCA(points)
    #提取前两个主分量
    point_cloud_vector = v[:,2]
    print("the main orientation of this pointcloud is :",point_cloud_vector)
    point = [[0,0,0],v[:,0],v[:,1]]
    lines = [[0,1],[0,2]]
    colors = [[1,0,0],[0,1,0]]
    line_set = o3d.geometry.LineSet(points = o3d.utility.Vector3dVector(point),lines = o3d.utility.Vector2iVector(lines))
    line_set.colors = o3d.utility.Vector3dVector(colors)
    o3d.visualization.draw_geometries([point_cloud_o3d,line_set])