Matlab实现点云数据(文本格式)的平行投影

简介: Matlab实现点云数据(文本格式)的平行投影

三维点云数据的处理有时需要借助对应的二维图像,进行平行投影后,虽然会损失诸多信息,但对于没有二维图像的数据来说,不失为一种借鉴,对于如何使信息损失降到最低,欢迎讨论哦~

tic
fid=fopen('face1.txt'); % 打开文件
row=0;
while ~feof(fid) 
    [~]=fgets(fid); 
    row=row+1; 
end
fclose(fid); 
row;
data2=zeros(row,6);
data=load('face1.txt');
x=data(:,1);y=data(:,2);z=data(:,3);r=data(:,4);g=data(:,5);b=data(:,6);
k=1;
for m=1:length(x)
    data2(k,1)=ceil(x(m,1)+0.5);  
    data2(k,2)=ceil(y(m,1)+0.5);
%     data2(k,1)=roundn(x(m,1),-1);  
%     data2(k,2)=roundn(y(m,1),-1);
    data2(k,3)=z(m,1);
    data2(k,4)=r(m,1);
    data2(k,5)=g(m,1);
    data2(k,6)=b(m,1);
    k=k+1;
end
x_stand=unique(data2(:,1));
y_stand=unique(data2(:,2));
sort(x_stand);
sort(y_stand);
data2_2d=zeros(length(x_stand),length(y_stand),3);
for i=1:length(x_stand)
    for j=1:length(y_stand)
        data2_2d(i,j,1)=255;
        data2_2d(i,j,2)=255;
        data2_2d(i,j,3)=255;
    end
end
for i=1:row
    index_x=find(x_stand==data2(i,1));
    index_y=find(y_stand==data2(i,2));
    data2_2d(index_x,index_y,1)=data2(i,4);
    data2_2d(index_x,index_y,2)=data2(i,5);
    data2_2d(index_x,index_y,3)=data2(i,6);
end
figure();
data2_2d=uint8(data2_2d);
imshow(data2_2d,[]);
imwrite(data2_2d,'face1.jpg');
% image(data2_2d);
% subplot(1,2,1); 
% data2_2d=uint8(data2_2d);
% imshow(data2_2d,[]);
% imwrite(data2_2d,'face2.jpg');
% subplot(1,2,2);
% A=imrotate(data2_2d,90,'nearest','crop');
% imshow(A);
% imwrite(A,'rotated face2.jpg');
toc
目录
相关文章
|
3月前
|
机器学习/深度学习 算法 数据挖掘
基于改进K-means的网络数据聚类算法matlab仿真
**摘要:** K-means聚类算法分析,利用MATLAB2022a进行实现。算法基于最小化误差平方和,优点在于简单快速,适合大数据集,但易受初始值影响。文中探讨了该依赖性并通过实验展示了随机初始值对结果的敏感性。针对传统算法的局限,提出改进版解决孤点影响和K值选择问题。代码中遍历不同K值,计算距离代价,寻找最优聚类数。最终应用改进后的K-means进行聚类分析。
|
2月前
|
传感器 数据可视化
MATLAB - 读取双摆杆上的 IMU 数据
MATLAB - 读取双摆杆上的 IMU 数据
31 0
|
4月前
|
机器学习/深度学习 算法 数据可视化
m基于PSO-LSTM粒子群优化长短记忆网络的电力负荷数据预测算法matlab仿真
在MATLAB 2022a中,应用PSO优化的LSTM模型提升了电力负荷预测效果。优化前预测波动大,优化后预测更稳定。PSO借鉴群体智能,寻找LSTM超参数(如学习率、隐藏层大小)的最优组合,以最小化误差。LSTM通过门控机制处理序列数据。代码显示了模型训练、预测及误差可视化过程。经过优化,模型性能得到改善。
86 6
|
4月前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,带GUI界面,对比BP,RBF,LSTM
这是一个基于MATLAB2022A的金融数据预测仿真项目,采用GUI界面,比较了CNN、BP、RBF和LSTM四种模型。CNN和LSTM作为深度学习技术,擅长序列数据预测,其中LSTM能有效处理长序列。BP网络通过多层非线性变换处理非线性关系,而RBF网络利用径向基函数进行函数拟合和分类。项目展示了不同模型在金融预测领域的应用和优势。
|
5月前
|
机器学习/深度学习 算法
m基于GA-GRU遗传优化门控循环单元网络的电力负荷数据预测算法matlab仿真
在MATLAB 2022a中,一个基于遗传算法优化的GRU网络展示显著优化效果。优化前后的电力负荷预测图表显示了改进的预测准确性和效率。GRU,作为RNN的一种形式,解决了长期依赖问题,而遗传算法用于优化其超参数,如学习率和隐藏层单元数。核心MATLAB程序执行超过30分钟,通过迭代和适应度评估寻找最佳超参数,最终构建优化的GRU模型进行负荷预测,结果显示预测误差和模型性能的提升。
179 4
|
5月前
|
机器学习/深度学习 传感器 数据可视化
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
|
4月前
|
机器学习/深度学习 算法
基于蛙跳优化的神经网络数据预测matlab仿真
使用MATLAB2022a,应用蛙跳优化算法(SFLA)调整神经网络权重,提升预测精度,输出预测曲线。神经网络结合输入、隐藏和输出层进行预测,蛙跳算法模仿蛙群觅食行为优化权重和阈值。算法流程包括蛙群初始化、子群划分、局部搜索及适应度更新,直至满足停止条件。优化后的神经网络能提升预测性能。
|
4月前
|
机器学习/深度学习 算法
m基于PSO-GRU粒子群优化长门控循环单元网络的电力负荷数据预测算法matlab仿真
摘要: 在MATLAB 2022a中,对比了电力负荷预测算法优化前后的效果。优化前为"Ttttttt111222",优化后为"Tttttttt333444",明显改进体现为"Tttttttttt5555"。该算法结合了粒子群优化(PSO)和长门控循环单元(GRU)网络,利用PSO优化GRU的超参数,提升预测准确性和稳定性。PSO模仿鸟群行为寻找最优解,而GRU通过更新门和重置门处理长期依赖问题。核心MATLAB程序展示了训练和预测过程,包括使用'adam'优化器和超参数调整,最终评估并保存预测结果。
44 0
|
5月前
|
计算机视觉
MATLAB用Lasso回归拟合高维数据和交叉验证
MATLAB用Lasso回归拟合高维数据和交叉验证
|
5月前
|
机器学习/深度学习 数据可视化 网络架构
Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测
Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测

热门文章

最新文章

下一篇
无影云桌面