【点云配准】点云配准中常用的评价指标（豪斯多夫距离/Hausdorff Distance、倒角距离/Chamfer Distance和陆地移动距离/Earth Mover‘s Distan

最新推荐文章于 2026-04-03 10:01:12 发布
原创 最新推荐文章于 2026-04-03 10:01:12 发布 · 1.3w 阅读 · 61
本文介绍了点云配准中常用的相似性测度，包括Hausdorff距离、Chamfer距离和EarthMover’sDistance。Hausdorff距离衡量了两个集合之间最远点的距离，Chamfer距离则是计算每个点到对方集合最近点距离的平方和，而EarthMover’sDistance通过寻找最佳映射来计算点集间的最小成本。这些测度在3D点云匹配和注册中起到关键作用。

1.概述

在点云配准问题中，我们通常会用相似性测度来评价两组点云之间的匹配程度，或作为迭代求解的代价方程（cost function），常见的相似性测度有均方误差（Root Mean Square Error（RMSE）、最大公共点集（Largest Common Pointset，LCP） 等。此外，还有豪斯多夫距离（Hausdorff Distance，HD）、倒角距离（Chamfer Distance，CD）和陆地移动距离（Earth Mover’s Distance，EMD）等指标也可被用于评价点云之间的匹配程度。

2.豪斯多夫距离（Hausdorff Distance，HD）

Hausdorff距离描述了度量空间中真子集之间的距离。假设有两个集合A={ a1,...,ap}A=\{a_1,...,a_p\}A={ a1​,...,ap​}和B={ b1,...,bq}B=\{b_1,...,b_q\}B={ b1​,...,bq​}，则这两个集合之间的Hausdorff距离定义为：

H(A,B)=max(h(A,B),h(B,A))(1) H(A,B)=max(h(A,B),h(B,A)) \tag{1} H(A,B)=max(h(A,B),h(B,A))(1)

{ h(A,B)=max⁡a∈Amin⁡b∈B∣∣a−b∣∣h(B,A)=max⁡b∈Bmin⁡a∈A∣∣b−a∣∣(2) \begin{cases} h(A,B)=\max_{a\in A} \min_{b\in B}||a-b|| \\ h(B,A)=\max_{b\in B} \min_{a\in A}||b-a|| \end{cases} \tag{2} { h(A,B)=maxa

标签
#点云 #评价 #距离
最低0.47元/天 解锁文章
点云配准精度评估指标：均方根误差
YadxFix的博客
09-27 1920
点云配准是计算机视觉和三维重建领域中的一个重要问题，它涉及将多个点云数据集对齐以实现准确的空间注册。它计算配准后的点云中每个点与其在参考点云中对应点之间的欧氏距离的平方的均值的平方根。较小的RMSE值表示配准效果较好，而较大的RMSE值则表示配准结果与参考数据之间存在较大的偏差。函数首先检查输入点云的维度是否一致，然后计算每个点的欧氏距离的平方，并求取均方根误差作为输出。如果你有任何问题，请随时提问。其中，N表示点云中点的总数，d_i表示第i个点在配准后的点云中与其在参考点云中对应点之间的欧氏距离。
点云配准精度评价指标——均方根误差(python版本)【2025最新版】
点云侠的博客
01-14 38万+
均方根误差RMSE，博客长期更新，本文最近一次更新时间为：2025年2月23日。
点云生成中的Chamfer Distance与EMD：如何选择最适合你的损失函数？
weixin_30275415的博客
03-22 80
本文深入探讨了点云生成中Chamfer Distance（CD）与Earth Mover's Distance（EMD）两种损失函数的特性与应用场景。通过对比分析计算效率、几何敏感度和点云均匀性等关键指标，帮助开发者根据硬件条件、精度需求选择最优方案，并介绍了混合损失函数等前沿优化技术。
点云配准三大距离指标全对比：Chamfer Distance vs EMD vs Hausdorff（附Python实现）
最新发布
weixin_26869081的博客
04-03 405
本文深入解析点云配准中的三大核心距离指标：Chamfer Distance、Earth Mover's Distance和Hausdorff Distance，通过理论对比和Python实战代码，帮助工程师在不同应用场景中选择最优指标。特别关注豪斯多夫距离（Hausdorff Distance）对异常值的敏感性及其在高精度场景的应用价值，并提供计算效率优化策略和工程实践建议。
目标检测、语义分割、检索、位置识别、点云配准任务之评估方法汇总
Amazinghao's Freespace
02-11 1731
目标检测中的算法性能评估方法-汇总-以及高效实现
PCL 点云配准衡量指标
lovely_yoshino的博客
12-19 1万+
PCL作为目前最为强大的点云库，内部存在有大量集成好的算法。而对于数据量大、非同源、含大量噪声且部分重叠的激光点云与影像重建点云，其稀疏程度、噪声程度等不同，非重叠区域的面积很大。真实场景的点云尤其是影像重建点云噪声较多，提取的法向量误差也很大，有的时候NDT和ICP并不能形成良好的匹配，这个时候我们该怎么样评估通过IPC或NDT算出的变换矩阵来估算出算法的精度呢？这个时候就需要通过均方根误差以及重合度来综合评判结果了。
点云配准评价指标
qq_41327049的博客
10-16 939
o3d.pipelines.registration.evaluate_registration 是 Open3D 库中的一个函数，用于评估两个点云（source 源点云 和 target 目标点云）之间的配准（registration）效果。inlier_rmse：内点均方根误差（Root Mean Square Error），这是所有被认为是内点（即对齐的点）的点到其对应最近点的距离的均方根值。如果配准后的源点云中的点到目标点云中的最近点的距离小于这个阈值，则认为这些点是对齐的。
Open3D 点云配准精度评价指标-RMSE
纵马踏花向自由
07-11 1609
均方根误差（RMSE, Root Mean Squared Error）是衡量两个点云之间平均误差的一个常用指标。它通过计算匹配点对之间距离的平方和的平方根，来量化配准后的误差大小。RMSE越小，表示配准效果越好。
点云配准精度评价指标——均方根误差(python实现)
.
03-31 1955
而点云配准的精度评价是一个非常重要的问题，因为不同的配准算法存在着不同的误差来源与噪声影响，如何评估它们的效果就变得至关重要。这里我们先将原始点云xyz1通过变换矩阵T_estimated转换到配准后的点云坐标系中，得到估计的点云坐标xyz1_estimated。然后，我们计算两个点云之间的RMSE值，即估计点云xyz1_estimated和真实点云xyz2之间的均方根误差。实际应用中，由于点云数据集的复杂性和噪声干扰，RMSE指标往往只是评价点云配准精度的一个方面，综合考虑其他因素仍需要深入研究。
点云配准精度评价指标——均方根误差【2026最新版】
热门推荐
点云侠的博客
08-12 41万+
博客长期更新，最近一次更新时间为：2026年5月10日。
点云倒角距离（Chamfer Distance，CD）
叶子的博客
08-21 2736
对于A中的每个点a，计算它与B中所有点之间的距离，取其中最短的距离作为a点的距离值。同样地，对于B中的每个点b，计算它与A中所有点之间的距离，取其中最短的距离作为b点的距离值。在实际应用中，CD常常用于点云配准和三维形状匹配。CD用于比较两个点云之间的相似性，即通过最小化CD来寻找最相似的点云对，从而实现三维形状匹配的目标。总体而言，CD是一种广泛应用于三维计算机图形学领域的点云距离度量方法，它可以用于三维物体识别、配准、生成和重建等多个领域，帮助算法计算出最优的点云匹配结果，进而提高算法的准确性和效率。
点云质量评估_Chamfer Distance--倒角距离
惊鸿一博
08-11 7825
引言 很多博客都在讲倒角距离变换（chamfer distance transform），看完之后，我对倒角距离仍然是一片雾水。因此，在这篇文章论述一下我对倒角距离的理解。 前言：距离变换 距离变换的主要目的是通过识别目标点与背景点，将二值化图像转化为灰度图。 距离变换主要分为欧式距离变换和非欧式距离变换，非欧式距离变换包括棋盘距离变换、城市街区距离变换、倒角距离变换。 棋盘距离： 城市街区距离： 1 2D图像中的倒角距离 倒角距离的定义，倒角距离是两条曲线或两个二进制图像之间的距离。 The Cha
PCL 计算点云的倒角距离（Chamfer Distance）【2026最新版】
点云侠的博客
11-12 4791
计算Chamfer Distance
PCL点云配准评估指标
EvktJava的博客
09-27 791
点云配准是计算机视觉和三维数据处理中的重要任务，它的目标是将多个点云数据集对齐以实现位置和姿态的一致性。在点云配准过程中，评估配准结果的质量至关重要。本文将介绍几种常用的PCL（Point Cloud Library）点云配准评估指标，并提供相应的源代码示例。其中，cloud_source是待配准的源点云，cloud_target是参考点云。通过迭代最近点（Iterative Closest Point，ICP）算法将cloud_source配准到cloud_target，并计算均方根误差。
点云配准精度评价指标——平均平方根误差（PCL）
TechPulseZ的博客
08-17 2084
平均平方根误差是一种常用的点云配准精度评价指标，它能够客观地反映配准结果与真实值之间的偏差程度。RMSE通过计算配准后的点集与其对应的真实点集之间的欧氏距离来评估配准的准确性。通过使用平均平方根误差作为点云配准的精度评价指标，我们可以定量地衡量配准结果与真实情况之间的偏差。同时，PCL库提供了丰富的功能和算法，可用于处理点云数据的配准任务。总结起来，本文介绍了点云配准精度评价指标中常用的平均平方根误差（RMSE），并提供了使用PCL库计算RMSE的示例代码。中，并确保两个点云的点顺序是一致的。
点云评价指标
weixin_48175707的博客
03-04 2664
2.### 公式：CD计算 用于测量点云S1和S2之间的平均最近平方距离。
PCL库中的倒角距离计算方法
FxRuby的博客
09-27 521
在本文中，我们将介绍如何使用点云库（Point Cloud Library，简称PCL）中的函数来计算点云的倒角距离，并提供相应的源代码示例。本文介绍了使用PCL库来计算点云的倒角距离的方法，并给出了相应的源代码示例。PCL是一个开源的、通用的点云数据处理库，提供了丰富的算法和工具，用于点云的获取、滤波、配准、分割、特征提取等各个方面。在本文中，我们将使用PCL库中的函数来计算点云的倒角距离。对于每个点，我们可以找到其最近的k个邻居点，然后计算其与这些邻居点之间的平均距离作为倒角距离。
图像分割评估指标——surface-distance计算库
Joker 007的博客
08-17 1万+
一、简介 当我们评价图像分割的质量和模型表现时，经常会用到各类表面距离的计算。这里推荐一个deepmind的表面距离度量计算库surface-distance。 该库的下载地址：https://download.csdn.net/download/Joker00007/12718748 Github地址：https://github.com/deepmind/surface-distance （注：Github上的代码存在Bug，可直接在第一个链接下载，该文件是已经改完错误的） 这个库主要包含了以下几个表面
PCL 点云配准 配准精度评价指标MSE
纵马踏花向自由
11-06 482
在点云配准中，均方误差（MSE, Mean Squared Error是常用的一种评价指标，用于衡量源点云和目标点云之间的距离差异。MSE越小，表示配准结果越好。本文通过使用PCL库中的KD树近邻搜索方法计算配准后的MSE，以评估点云配准的精度。
三维重建（记录学习过程，持续更新）
qq_44804354的博客
10-10 2847
以下全部内容仅是个人理解，如有错误请指出。 在进行三维重建学习之前首先需要了解几个概念： 倒角距离 倒角距离涉及到二维图像的倒角距离和三维点云之间的倒角距离，二维图像的倒角距离定义为模板中的任意一点与所给图像中某点的最小距离的平均值。三维点云的倒角距离定义为点云C1中的一点到点云C2中的某点的最小距离之和加上点云C2中的一点到点云C1中的某点的最小距离的平均值，三维点云的倒角距离常用于进行三维重建网络的损失函数的设计。 三维数据有多种表示形式，包括volume、point cloud、mesh等。v
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值