点云计算曲率以及法向量的方向问题

一、曲率定义（PCA 法）

曲率的几何意义是单位弧长上曲线切线方向的变化率，它描述了曲线局部偏离直线的程度，并用密切圆的半径的倒数来量化。

二、MATLAB 完整代码

cpp 复制代码

%% ----------------------------------------------------
%   点云 PCA 曲率计算 + 彩色可视化（可直接运行）
% ----------------------------------------------------
clear; clc; close all;

%% 1. 读取点云文件
filename = 'bun000.ply';   % 改成你的 dragon_vrip_res3.ply 也可以
ptCloud = pcread(filename);
pts = ptCloud.Location;
N = size(pts,1);

fprintf("Loaded %d points\n", N);

%% 2. 构建 KD 树
k = 50;  % 真实点云建议 30~80
Mdl = KDTreeSearcher(pts);

%% 3. 准备输出
curvature = zeros(N,1);

%% 4. PCA 曲率计算
for i = 1:N
    % 邻域
    idx = knnsearch(Mdl, pts(i,:), 'K', k);
    nbrs = pts(idx,:);
    
    % 去均值
    q = nbrs - mean(nbrs,1);
    
    % 协方差
    C = (q' * q) / k;
    
    % 特征值
    e = eig(C);     % 升序
    lambda = sort(e);
    
    % 曲率公式
    curvature(i) = lambda(1) / sum(lambda);
end

%% 5. 归一化用于 colormap
curvatureVis = curvature;
curvatureVis = curvatureVis / max(curvatureVis);

%% 6. 可视化 ------ 用曲率给点云上色
figure;
pcshow(pts, curvatureVis);    % MATLAB 会自动使用 colormap
colormap(jet);
colorbar;
title('点云曲率可视化（PCA）');
axis equal;

三、法向量的方向不唯一？

法向量方向不唯一，是因为法向在数学上是 ± 对称的，而 PCA/特征向量天生存在 ± 不确定性。因此实际工程中必须添加"方向一致性"步骤对法向进行统一。

原因

数学本质不唯一原因

法向量方向 不唯一 的原因来自数学本质、几何本质和物理意义

法向方程不区分方向，±n 都满足。

几何上法向是一条"穿过点的直线"，不是带方向的射线

因此：

cpp 复制代码

n=(a,b,c)


−n=(−a,−b,−c)

它们都是合法法向。

这是"不唯一"的根本原因。

PCA 法向估计本身有 ± 反向不确定性

PCA 法向来自协方差矩阵特征分解：

如果 v 是特征向量，那么：

也是特征向量，因为：

所以 特征分解无法告诉你：法向应该指向外，还是指向内。

换句话说：

PCA 得到的法向没有方向信息，只有方向"轴"信息

无邻域一致性：独立计算会造成方向随机翻转

如果你对每个点独立计算 PCA，得到法向：

点 A 得到方向接近 (+0.2,+0.9,+0.3)
点 B 得到方向接近 (−0.2,−0.9,−0.3)

这是完全正常的，因为二者都是同一个真正法向的 ± 两种可能 。

这就是为什么你看到：

法向箭头忽左忽右
点云显示很乱
法向图颜色跳变

工程解决方案：需要"法向一致性"步骤

方法 1：点云整体中心约束（常用）

若法向与点指向点云中心夹角 < 0：

使法向朝外或朝内统一

方法 2：图（Graph）传播一致性（PCL 内部实现）

选一个参考点作为起点，用 BFS/DFS：

对邻域法向
如果 dot(n_i, n_ref) < 0

→ 反转

确保所有法向尽可能一致。

cpp 复制代码

#include <pcl/io/ply_io.h>
#include <pcl/point_types.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/features/normal_3d.h>
#include <vector>
#include <queue>
#include <iostream>

int main(int argc, char** argv)
{
    // 1. 读取点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPLYFile<pcl::PointXYZ>("bun000.ply", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file\n");
        return -1;
    }
    std::cout << "Loaded " << cloud->points.size() << " points." << std::endl;

    // 2. 法向量估计
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud);

    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    ne.setSearchMethod(tree);
    ne.setKSearch(30);
    ne.compute(*normals); // PCA 法向

    // 3. 构建邻域图
    std::vector<std::vector<int>> neighbor_indices(cloud->size());
    for (size_t i = 0; i < cloud->size(); ++i)
    {
        std::vector<int> idx;
        std::vector<float> dist;
        tree->nearestKSearch(cloud->points[i], 10, idx, dist);
        neighbor_indices[i] = idx;
    }

    // 4. 法向一致性传播（BFS）
    std::vector<bool> visited(cloud->size(), false);
    std::queue<int> q;

    // 起点选择第0个点
    q.push(0);
    visited[0] = true;

    while (!q.empty())
    {
        int curr = q.front(); q.pop();
        auto& n_curr = normals->points[curr];

        // 遍历邻居
        for (int nbr_idx : neighbor_indices[curr])
        {
            if (!visited[nbr_idx])
            {
                auto& n_nbr = normals->points[nbr_idx];

                // dot < 0 → 翻转
                float dot = n_curr.normal_x * n_nbr.normal_x +
                            n_curr.normal_y * n_nbr.normal_y +
                            n_curr.normal_z * n_nbr.normal_z;

                if (dot < 0)
                {
                    n_nbr.normal_x *= -1;
                    n_nbr.normal_y *= -1;
                    n_nbr.normal_z *= -1;
                }

                visited[nbr_idx] = true;
                q.push(nbr_idx);
            }
        }
    }

    // 5. 保存法向一致化点云
    pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
    pcl::concatenateFields(*cloud, *normals, *cloud_with_normals);
    pcl::io::savePLYFileBinary("bun000_normals_consistent.ply", *cloud_with_normals);

    std::cout << "Saved consistent normals." << std::endl;
    return 0;
}

方法 3：基于模型先验方向固定

例如：

深度相机：法向 z 分量必须朝向相机
机械臂场景：法向 z 必须向上

步骤	说明
PCA 法向估计	`NormalEstimation` 计算 ± 法向
邻域图构建	KNN 或 radius search，记录每个点邻域
BFS / DFS	从起点传播，保证每个点法向与已访问点一致
dot < 0 翻转	保证法向方向一致
全局覆盖	BFS / DFS 遍历所有点