Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
主成分分析による3次元点群の形状解析
Search
Kenta Itakura
September 25, 2025
Technology
0
24
主成分分析による3次元点群の形状解析
Kenta Itakura
September 25, 2025
Tweet
Share
More Decks by Kenta Itakura
See All by Kenta Itakura
PromptDA (Depth Anything) を用いた深度推定や点群生成について
kentaitakura
0
210
3次元点群からメッシュモデルを作成: ボールピボット法について
kentaitakura
0
150
3D Gaussian Splatting (3DGS)のモデルを Cesiumの地球の上で可視化する方法
kentaitakura
0
430
主成分分析やRANSACを利用した点群からの円柱フィッティングの方法
kentaitakura
0
390
ImVisionLabs株式会社: 産業技術総合研究所様との取り組み
kentaitakura
0
190
ImVisionLabs株式会社:ゼンリンデータコム様との取り組み
kentaitakura
0
110
ImVisionLabs株式会社: 中日本航空様との取り組み
kentaitakura
0
130
全方位カメラやPostshotを利用した3D Gaussian Splattingの実行方法の例
kentaitakura
0
1.6k
ImVisionLabs株式会社: 東京電力HD様との取り組み
kentaitakura
0
160
Other Decks in Technology
See All in Technology
GC25 Recap+: Advancing Go Garbage Collection with Green Tea
logica0419
1
290
DEFCON CHV CTF 2025 Write-up
bata_24
0
190
What is BigQuery?
aizack_harks
0
110
今日から始めるpprof / Pprof workshop for beginners
ymotongpoo
6
770
フルカイテン株式会社 エンジニア向け採用資料
fullkaiten
0
9k
“2件同時配達”の開発舞台裏 〜出前館PMが挑んだダブルピック実現に向けた体験設計〜
demaecan
0
140
5年間のFintech × Rails実践に学ぶ - 基本に忠実な運用で築く高信頼性システム / 5 Years Fintech Rails Retrospective
ohbarye
9
3.2k
Sidekiq その前に:Webアプリケーションにおける非同期ジョブ設計原則
morihirok
17
6k
生成AIを活用したZennの取り組み事例
ryosukeigarashi
0
170
新卒QAエンジニアの成長戦略
qatonchan
0
300
業務でAIの力を最大限に発揮するために #弁護士ドットコム
bengo4com
0
290
Goに育てられ開発者向けセキュリティ事業を立ち上げた僕が今向き合う、AI × セキュリティの最前線 / Go Conference 2025
flatt_security
0
250
Featured
See All Featured
Bash Introduction
62gerente
615
210k
Product Roadmaps are Hard
iamctodd
PRO
54
11k
Unsuck your backbone
ammeep
671
58k
Balancing Empowerment & Direction
lara
4
660
ReactJS: Keep Simple. Everything can be a component!
pedronauck
667
120k
The Illustrated Children's Guide to Kubernetes
chrisshort
48
51k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
9
840
What's in a price? How to price your products and services
michaelherold
246
12k
Large-scale JavaScript Application Architecture
addyosmani
513
110k
Optimizing for Happiness
mojombo
379
70k
Building Better People: How to give real-time feedback that sticks.
wjessup
368
20k
A Modern Web Designer's Workflow
chriscoyier
697
190k
Transcript
主成分分析(PCA)を利用した 3次元点群データの形状解析について 板倉健太 博士(農学) ImVisionLabs株式会社代表取締役
点群処理における主成分分析(PCA)を用いた特徴抽出 1 点群の局所構造を定量化する手法 対象の小豆島の点群 地表面のみを抽出した結果 法線推定や幾何分類の基礎に利用される(形状的特徴を捉える) 植生と構造物
形状的特徴の例 • 高さ • 色 • 法線ベクトルの向き • 法線ベクトルの変動 • 植生は緑が多い • 構造物は直線的な構造が多い など
主成分分析(PCA: Principal Component Analysis)の概要 2 多次元データの主な変動方向を抽出する手法 対象の小豆島の点群 • 左図:データの直線性が低くあらゆ
る方向に広がっている • 右図:データの直線性が高く第1主 成分で元データの大半を説明でき る 共分散行列の固有値・固有ベクトルを計算し、データの広がりの方向を抽出 点群に適用することで、局所的な形状の特徴を数値で捉えられる 2次元データにおけるPCAの概要図
1. 3次元点群が5つの点で構成される場合、点群データ行列は以下の通りとなる 点群データ行列 の 行目のベクトルを とする 3 3次元点群におけるPCAの計算 2. データを中心化し共分散行列を求める
a. 各特徴量の平均値を求める ◆ 3次元点群データはXYZ座標の 3つの特徴量を有していると考え ることができる
4 3次元点群におけるPCAの計算 2. データを中心化し共分散行列を求める b. データの中心化 c. 共分散行列の計算 例えば5点の3次元点群の場合 について下記のように計算でき、
が求まる 共分散行列の各要素は以下の通りとなる • 𝑘: サンプル番号 • 𝑖, 𝑗: 特徴量の番号 • 𝑖と𝑗は入れ替えても値が同じになるため
先に求めていた共分散行列 より 写像後の共分散行列は、 転置の性質 より、 5 3次元点群におけるPCAの計算 3. 分散が最大になる方向を基準に新しい座標 を作成
(固有ベクトルを とする) 4. 写像後の分散が最大となる固有ベクトル を求める a. 写像後の共分散行列を求める 解を一意に定めるため の制約を設ける ( が1.1倍や1.2倍などの場合も解となることを防ぐ) より、
この式から となり、これを解けばよい(固有方程式) 6 3次元点群におけるPCAの計算 4. 写像後の分散が最大となる固有ベクトル を求める b. ラグランジュ乗数法を用いて解く ◆
ラグランジュ乗数法: それぞれの変数で微分して0になる点を調べることで 解を得る手法。拘束と目的となる値がある場合に有効 最大化する対象: 拘束条件: ラグランジュ方程式を立てる ◆ ラグランジュ方程式: 最大化したい値から、拘束条件にラグランジュ乗数を かけて引き算したもの これを各変数で偏微分する 対象行列 の二次形式 を微分すると となる性質より、
7 3次元点群におけるPCAの計算 4. 写像後の分散が最大となる固有ベクトル を求める c. 固有値固有ベクトルを求める 固有方程式を展開する ( のみスカラーのため、行列と演算を行うために単位行列
を用いる) となる解を探すため …(式1) 求めた を式(1)に代入し、各 に対応する固有ベクトルを求める ◆ det(A): 行列Aの行列式で、1つのスカラー値を表す 3次元点群データの場合、3つの固有値が求まる 固有値: 固有ベクトル:
8 3次元点群データにおけるPCAの流れ(まとめ) • 各点のk近傍点を取得 • 近傍点群の共分散行列を計算 • 固有値・固有ベクトルを取得 k =
5近傍点 k = 15近傍点 PC1 PC2 PC3 近傍点の数が異なると主成分軸も異なる PC1 PC2 PC3 ◆ 主成分分析における固有値と固有ベクトル: データのばらつきの方向とその重要度 例)点が平面状に分布している場合 • 第1・第2主成分は平面内の方向 • 第3主成分は平面からの微小なズレ →主成分分析で得られた固有値・固有ベクトルから 3次元構造の特徴を取得できる
指標 特徴 1に近いほど直線的 1に近いほど平面的 1に近いほど分散している 例 道路の縁石、鉄道のレール 屋根、建物の壁面 樹木の葉、球状の物体 固有値からわかる幾何学的特徴
9 固有値の大小関係で形状を分類 構造 固有値の関係 例 線形 𝜆1 ≫ 𝜆2 ≫ 𝜆3 電線、枝など 平面 𝜆1 ≈ 𝜆2 ≫ 𝜆3 地面、壁など 𝜆1 ≈ 𝜆2 ≈ 𝜆3 ノイズ、葉、球など 代表的な指標 Linearity = (𝜆1−𝜆2) 𝜆1 Planarity = (𝜆2−𝜆3) 𝜆1 Scattering = 𝜆3 𝜆1
10 3次元点群データにおけるLinearityの例 球体状の点群の場合 • 分布が一定の方向を持たない → 低い直線性 k =
50近傍点 k = 50近傍点 k = 20近傍点 • より直線的な領域ほどLinearityが高くなる • ノイズがあると直線性が低下 • 近傍点数を減らすと直線性増す 直線的な点群の場合
幾何学的特徴の可視化 11 植生 構造物 元データ Linearity Planarity Scattering 構造物の端で高い値 地面や構造物の屋上
で高い値 植生で高い値 局所構造に応じた特徴を捉えることができる
◆ 壁面 PCAと法線ベクトルの関係 12 法線ベクトル PCAによって得られた固有ベクトルのうち、最小固有値𝜆3 に対応するベクトル → 点群が広がっていない方向
• 壁面の法線ベクトル:地面と平行なことが多い • 地面の法線ベクトル:地面と垂直なことが多い • 植生の法線ベクトル:特定の方向を持たないことが多い 法線ベクトル ◆ 地面 ◆ 植生
まとめ 13 3次元点群データにPCAを適用しすることで、局所構造を把握できる PCAで求まる固有値から、直線度や平面度といった幾何学的特徴を取得できる 法線ベクトルはデータの散らばりが少ない方向を表し、局所構造を反映する 多次元データの変動方向を抽出する手法として主成分分析(PCA)がある