PointNet系列点云归一化与反归一化

学习记录：点云归一化操作

def pc_normalize(pc):
    centroid = np.mean(pc, axis=0)
    pc = pc - centroid
    m = np.max(np.sqrt(np.sum(pc ** 2, axis=1)))
    pc = pc / m
    return pc

---

逐句分析：

 def pc_normalize(pc): #首先定义一个归一化函数，括号内是你要读取的数据名称；

centroid = np.mean(pc, axis=0) #求质心，也就是一个平移量，实际上就是求均值。

#np.mean()的三种用法：

--np.mean(pc)：对pc数组的所有数求平均值，不管行-列；

--np.mean(pc,axis=0)：对pc数组的每列求平均值。比如我的pc是一个1000×3列的数组，这条函数就是对第一列的1000个数求一个均值，对第二列求一个均值，对第三列求一个均值，通过这条函数最后得到一个1×3的数组[x_mean,y_mean,z_mean];

--np.mean(pc,axis=1)：对pc数组的每行求平均值。最后得到一个1000×1的数组。（假设pc为1000×3的矩阵）

pc = pc - centroid #点云平移；

m = np.max(np.sqrt(np.sum(pc ** 2, axis=1))) #获取缩放比例；

--pc ** 2：平移后的点云求平方；

--np.sum(pc ** 2, axis=1)：#求和

#np.sum()的三种用法

--np.sum(pc): 对pc数组中的所有元素求和；

--np.sum(pc,axis=0)：对数据的每列求和。最后得到一个1×3的矩阵。（假设pc为1000×3的矩阵）

--np.sum(pc,axis=1)：对数据的每行求和。最后得到一个1000×1的矩阵。（假设pc为1000×3的矩阵）

np.sqrt() #求平方根

np.max() #求最大值

pc=pc/m #对点云进行缩放

return pc #返回缩放平移后的点云

---

numpy读取、保存点云

 读取txt点云：np.loadtxt()   如：np.loadtxt('a.txt')

保存txt点云：np.savetxt()   如：np.savetxt('b.txt')

---

问题

由于点云的归一化操作，会使得PointNet预测的结果比原始点云尺寸不同，为了恢复原始大小，可以把预测得到的点云进行反归一化，即使得到的点云乘上缩放尺寸m，再加上平移尺寸centroid。

Pred_restore=pred×m+centroid。

当然，这两个参数需要根据你预测的原始点云获取。

注：水平有限，如有错误，请提出批评建议。