点云采样FPS原理及实现

学习样品 由特拉维夫大学的Oren Dovrat，Itai Lang和Shai Avidan创建。 介绍 我们提出了一种针对点云的学习型采样方法。 请参阅我们的。 处理大点云是一项艰巨的任务。 因此，通常会将数据采样到可以更轻松地处理的大小。 问题是如何对数据进行采样？ 一种流行的采样技术是最远点采样（FPS）。 但是，FPS对于下游应用程序是不可知的（分类，检索等）。 基本假设似乎是，如FPS所做的那样，最小化最远的点距离可以很好地替代其他目标函数。 我们表明，最好学习如何进行采样。 为此，我们提出了一个深度网络来简化3D点云。 称为S-NET的网络采用一个点云，并生成针对特定任务进行了优化的较小的点云。 不能保证简化的点云是原始点云的子集。 因此，我们在后期处理步骤中将其与原始点的子集进行匹配。 通过在两个标准数据集上进行实验，我们将我们的方法与FPS进行了对比，并针对各种应用显示了

该算法比较成熟地解决了点云处理中的一些困难：空洞填补、曲面拟合等等

fps python实现，还没有认证是否有用以点云第一个点，作为查询点，从剩余点中，取一个距离最远的点； 继续以取出来的点，作为查询点，从剩余点中，取距离最远的点。此时，由于已经取出来的点的个数大于1，需要考虑已经选出来的点集中的每个点。计算逻辑如下： 对于任意一个剩余点，计算该点到已经选中的点集中所有点的距离； 取最小值，作为该点到点集的距离； 计算出每个剩余点到点集的距离后，取距离最大的那个点。 重复第2步，一直采样到目标数量N为止。