Попробую сформулировать вопрос. Есть 3D-объекты, заданные множеством точек. Объекты имеют сходство с некоторыми правильными геометрическими фигурами (типа конуса или параллелепипеда), но не являются правильными фигурами и больше или меньше отклоняются от "правильной" геометрической формы. Вот, собственно, вопрос — есть какие-то алгоритмы или метрики, чтобы посчитать некий показатель "неправильности" фигуры? Ну, предположим, есть ряд сосулек — они в целом похожи, но какая-то может быть несколько кривой, у какой-то утолщение в середине, у третьей наплыв с одной стороны и выемка с другой и т.д. Вот хотелось бы иметь возможность как-то объективно их сравнивать (объем, площадь поверхности — все это есть, но недостаточно).
Суммарное расстояние от всех точек до шаблонных поверхностей. То есть облако точек скорее куб, чем призма, если суммарное расстояние от точек до поверности куба меньше, чем от точек до поверхности призмы
Здравствуйте, TMU_2, Вы писали:
TMU>Попробую сформулировать вопрос. Есть 3D-объекты, заданные множеством точек. Объекты имеют сходство с некоторыми правильными геометрическими фигурами (типа конуса или параллелепипеда), но не являются правильными фигурами и больше или меньше отклоняются от "правильной" геометрической формы. Вот, собственно, вопрос — есть какие-то алгоритмы или метрики, чтобы посчитать некий показатель "неправильности" фигуры? Ну, предположим, есть ряд сосулек — они в целом похожи, но какая-то может быть несколько кривой, у какой-то утолщение в середине, у третьей наплыв с одной стороны и выемка с другой и т.д. Вот хотелось бы иметь возможность как-то объективно их сравнивать (объем, площадь поверхности — все это есть, но недостаточно).
TMU>>Попробую сформулировать вопрос. Есть 3D-объекты, заданные множеством точек. Объекты имеют сходство с некоторыми правильными геометрическими фигурами (типа конуса или параллелепипеда), но не являются правильными фигурами и больше или меньше отклоняются от "правильной" геометрической формы. Вот, собственно, вопрос — есть какие-то алгоритмы или метрики, чтобы посчитать некий показатель "неправильности" фигуры? Ну, предположим, есть ряд сосулек — они в целом похожи, но какая-то может быть несколько кривой, у какой-то утолщение в середине, у третьей наплыв с одной стороны и выемка с другой и т.д. Вот хотелось бы иметь возможность как-то объективно их сравнивать (объем, площадь поверхности — все это есть, но недостаточно). G>Нейросеть?
TMU>Попробую сформулировать вопрос. Есть 3D-объекты, заданные множеством точек. Объекты имеют сходство с некоторыми правильными геометрическими фигурами (типа конуса или параллелепипеда), но не являются правильными фигурами и больше или меньше отклоняются от "правильной" геометрической формы. Вот, собственно, вопрос — есть какие-то алгоритмы или метрики, чтобы посчитать некий показатель "неправильности" фигуры? Ну, предположим, есть ряд сосулек — они в целом похожи, но какая-то может быть несколько кривой, у какой-то утолщение в середине, у третьей наплыв с одной стороны и выемка с другой и т.д. Вот хотелось бы иметь возможность как-то объективно их сравнивать (объем, площадь поверхности — все это есть, но недостаточно).
Здравствуйте, TMU_2, Вы писали:
TMU>Попробую сформулировать вопрос. Есть 3D-объекты, заданные множеством точек. Объекты имеют сходство с некоторыми правильными геометрическими фигурами (типа конуса или параллелепипеда), но не являются правильными фигурами и больше или меньше отклоняются от "правильной" геометрической формы. Вот, собственно, вопрос — есть какие-то алгоритмы или метрики, чтобы посчитать некий показатель "неправильности" фигуры? Ну, предположим, есть ряд сосулек — они в целом похожи, но какая-то может быть несколько кривой, у какой-то утолщение в середине, у третьей наплыв с одной стороны и выемка с другой и т.д. Вот хотелось бы иметь возможность как-то объективно их сравнивать (объем, площадь поверхности — все это есть, но недостаточно).
Приближение поверхностью (можно использовать методы на основе Iterative Closest Point + оптимизация по параметрам поверхности и подсчет расстояния). Есть достаточно неплохо работающие с выбросами (типа https://openreview.net/pdf?id=dvZkwNDGsQl или подход отсюда https://arxiv.org/pdf/1912.03858.pdf + IRLS (iterative reweighted least squares) тонны их), потом анализ расстояний до эталонной поверхности и распределения этих расстояний
TMU>Если вдруг кому интересно, вот, в качестве отправной точки на пальцах излагается подход к решению: TMU>https://moluch.ru/archive/28/3242/
Я бы сильно не извращался, а записал бы параметрическими формулами нужные тебе фигуры, а после тупо MHK и после по минимуму выбирал фигуру, соответствующую облаку. Добавил бы еще нормализацию в нужных местах на количество точек в облаке.
Но вот если твои фигуры могут пересекаться или у тебя только проекция облака на плоскость или поверхность — тут уже всё сильно сложнее будет. Тут в общем случае решение просто не существует.
Здравствуйте, Vzhyk2, Вы писали:
G>>Используй нейросеть, она возвращает параметр схожести, confidence или подобное название, в процентах. V>Сколько персептронов предлагаешь?
Используй вторую нейросеть для определения их количества.