点云的归一化与反归一化

归一化的作用：
数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解

点云的归一化：
参考自pointnet的源码，增加了注释：

def pc_normalize(pc):
    """
    对点云数据进行归一化
    :param pc: 需要归一化的点云数据
    :return: 归一化后的点云数据
    """
    # 求质心，也就是一个平移量，实际上就是求均值
    centroid = np.mean(pc, axis=0)
    pc = pc - centroid
    m = np.max(np.sqrt(np.sum(pc ** 2, axis=1)))
    # 对点云进行缩放
    pc = pc / m
    return pc

参数解析(参考自numpy源码)：

def np.mean(a, axis=None, dtype=None, out=None, keepdims=np._NoValue, *,
         where=np._NoValue):
"""
沿指定轴计算算术平均值 
Parameters:
a:需要计算的点云数据
axis:指定轴
	 axis=0:对a数组的每列求平均值
	 axis=1:对a数组的每行求平均值
"""

点云的反归一化：
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，可以将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。

ret = pred × m + centroid

效果展示

引用：

为什么对数据进行归一化处理
PointNet系列点云归一化与反归一化