我正忙着开发点云简化算法。
下面是计算点邻域法线的代码。我使用了主成分分析。
我想知道我是否正确计算了法线和曲率？
我知道法线是不方向的，我的下一步是使用网络x创建一个图形（从每个点到最近邻点的边缘），用1- | ni * ni + 1 |来加权每个边缘。 。然后创建最小生成树，然后通过从最高z值点开始并且如果ni * ni + 1 = -1，则转换ni + 1的方向来启动深度搜索。我将使用networkx，这样我就可以实现全球一致的定位。这是最好的方式吗？
由于
import numpy as np
#NEIGHBOURING POINTS
XYZ = np.array([[-0.0369122 , 0.12751199 , 0.00276757],
[-0.0398624 , 0.128204 , 0.00299348],
[-0.0328896 , 0.12613 , 0.00300653],
[-0.0396095 , 0.12667701 ,-0.00334699],
[-0.0331765, 0.12681 , 0.00839958],
[-0.0400911 ,0.128618 , 0.00909496],
[-0.0328901 , 0.124518 , -0.00282055]])
#GET THE COVARIANCE MATRIX
average=sum(XYZ)/XYZ.shape[0]
b = np.transpose(XYZ - average)
cov=np.cov(b)
#GET EIGEN VALUES AND EIGEN VEECTORS
e_val,e_vect = np.linalg.eigh(cov)
print e_val
print 'eigenvectors'
print e_vect
#DIAGONLIZE EIGENVALUES
print 'eigenvalues'
e_val_d = np.diag(e_val)
print e_val_d
#FIND MIN EIGEN VALUE
h = np.rank(min(e_val))
#FIND NORMAL
norm = e_vect[:,h]
print 'normal'
print norm
#CALCULATE CURVATURE
curvature = e_val[0]/(e_val[0]+e_val[1]+e_val[2])
print 'curvature'
print curvature