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

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

  NaN

  （如果需要其他填充值，只需更改

  accumarray

  的最后一个参数即可）

然后：

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);