Matlab 通过二维曲面中的投影分析三维点云
我有一个3D点云(XYZ),其中Matlab 通过二维曲面中的投影分析三维点云,matlab,matrix,vectorization,projection,Matlab,Matrix,Vectorization,Projection,我有一个3D点云(XYZ),其中Z可以是位置或能量。我想将它们投影到一个n×m网格中的2D表面上(在我的问题中,n=m),在Z为位置的情况下,每个网格单元的最大差值为Z,在Z为能量的情况下,总和为Z 例如,在0备注范围内: 所有这一切几乎可以是一个班轮通过大熊猫和切割方法 我已经重写了你的随机云初始化 你能做的就是 通过网格布局xy网格 在xy上投影云(简单边缘化) 通过kd树搜索找到最近的网格点,即将与每个云点关联的数据标记为网格节点 按标签对数据进行分组并评估您的本地统计数据(通过accu
Z
可以是位置或能量。我想将它们投影到一个n×m网格中的2D表面上(在我的问题中,n=m
),在Z
为位置的情况下,每个网格单元的最大差值为Z
,在Z
为能量的情况下,总和为Z
例如,在0备注范围内:
所有这一切几乎可以是一个班轮通过大熊猫和切割方法
我已经重写了你的随机云初始化
你能做的就是
通过网格布局xy网格
在xy上投影云(简单边缘化)
通过kd树
搜索找到最近的网格点,即将与每个云点关联的数据标记为网格节点
按标签对数据进行分组并评估您的本地统计数据(通过accumarray
)
下面是一个工作示例:
samples = 500;
%data extrema
xl = 0; xr = 1; yl = 0; yr = 1;
% # grid points
sz = 20;
% # new random cloud
table = [random('Uniform',xl,xr,[samples,1]) , random('Uniform',yr,yl,[samples,1]), random('normal',1,1,[samples,1])];
figure; scatter3(table(:,1),table(:,2),table(:,3));
% # grid construction
xx = linspace(xl,xr,sz); yy = linspace(yl,yr,sz);
[X,Y] = meshgrid(xx,yy);
grid_centers = [X(:),Y(:)];
x = table(:,1); y = table(:,2);
% # kd-tree
kdtreeobj = KDTreeSearcher(grid_centers);
clss = kdtreeobj.knnsearch([x,y]); % # classification
% # defintion of local statistic
local_stat = @(x)sum(x) % # for total energy
% local_stat = @(x)max(x)-min(x) % # for position off-set
% # data_grouping
class_stat = accumarray(clss,table(:,3),[],local_stat );
class_stat_M = reshape(class_stat , size(X)); % # 2D reshaping
figure; contourf(xx,yy,class_stat_M,20);
accumarray
功能非常适合此类任务。首先,我定义示例数据:
table = [ 20*rand(1000,1) 30*rand(1000,1) 40*rand(1000,1)]; % random data
x_partition = 0:2:20; % partition of x axis
y_partition = 0:5:30; % partition of y axis
我想
表的三列分别代表x、y、z
- 没有一个点的x小于栅格第一条边的x或大于最后一条边的x,y也是如此。也就是说,栅格覆盖所有点
- 如果箱子不包含任何值,则结果应为
(如果需要其他填充值,只需更改NaN
的最后一个参数即可)accumarray
L=尺寸(表1);
M=长度(x_分区);
N=长度(y_分区);
[~,ii]=max(repmat(表(:,1),1,M)+1两个答案。很高兴看到accumarray
被巧妙地使用。accumarray
有一个独特的学习曲线,但一旦你把它拿下来,它就会打开大门。@chappjc我喜欢所有这些输入参数(对accumarray来说),我一开始觉得几乎没用,结果却完全满足了我的需要;-)
table = [ 20*rand(1000,1) 30*rand(1000,1) 40*rand(1000,1)]; % random data
x_partition = 0:2:20; % partition of x axis
y_partition = 0:5:30; % partition of y axis
L = size(table,1);
M = length(x_partition);
N = length(y_partition);
[~, ii] = max(repmat(table(:,1),1,M) <= repmat(x_partition,L,1),[],2);
[~, jj] = max(repmat(table(:,2),1,N) <= repmat(y_partition,L,1),[],2);
ii = ii-1; % by assumption, all values in ii will be at least 2, so we subtract 1
jj = jj-1; % same for jj
result_maxdif = accumarray([ii jj], table(:,3), [M-1 N-1], @(v) max(v)-min(v), NaN);
result_sum = accumarray([ii jj], table(:,3), [M-1 N-1], @sum, NaN);