PCL 点特征直方图 - 分箱
PCL Point Feature Histograms - binning
分箱过程是点特征直方图估计的一部分，如果仅使用三个 angular 特征（alpha、phi、theta），则会产生 b^3 个分箱，其中 b 是垃圾箱的数量。
为什么是 b^3 而不是 b * 3？
假设我们考虑 alpha。
特征值范围被细分为b个区间。您遍历查询点的所有邻居并计算位于一个区间内的 alpha 值的数量。所以你有 b 个 alpha 箱。当您对其他两个特征重复此操作时，您会得到 3 * b 个分箱。
我哪里错了？
为简单起见，我将首先以二维方式对其进行解释，即具有两个 angular 特征。在那种情况下，您将拥有 b^2 个 bin，而不是 b*2。
要素space被划分为规则的网格。特征根据它们在 2D（或 3D）space 中的位置进行分箱，而不是独立地沿每个维度进行分箱。请参阅以下具有两个特征维度和 b=4 的示例，其中特征被分箱到标有 # 的单元格中：
^ phi
|
+-+-+-+-+
| | | | |
+-+-+-+-+
| | | | |
+-+-+-+-+
| | | |#|
+-+-+-+-+
| | | | |
+-+-+-+-+-> alpha
该特征被合并到 alpha 在给定区间内且 phi 在另一个区间内的单元格中。与您理解的主要区别在于维度是 而非 独立处理的。每个单元格指定所有维度上的间隔，而不是单个维度。
（这在 3D 中的工作方式相同，只是您将拥有另一个维度的 theta 和 3D 网格而不是 2D 网格。）
这种分箱方式导致 2D 情况下的 b^2 个分箱，因为 alpha 维度中的每个区间都与 phi 维度中的所有区间组合，导致平方数量，而不是翻倍。添加另一个维度，您将得到立方而不是三倍，如您的问题。
分箱过程是点特征直方图估计的一部分，如果仅使用三个 angular 特征（alpha、phi、theta），则会产生 b^3 个分箱，其中 b 是垃圾箱的数量。
为什么是 b^3 而不是 b * 3？
假设我们考虑 alpha。
特征值范围被细分为b个区间。您遍历查询点的所有邻居并计算位于一个区间内的 alpha 值的数量。所以你有 b 个 alpha 箱。当您对其他两个特征重复此操作时，您会得到 3 * b 个分箱。
我哪里错了？
为简单起见，我将首先以二维方式对其进行解释，即具有两个 angular 特征。在那种情况下，您将拥有 b^2 个 bin，而不是 b*2。
要素space被划分为规则的网格。特征根据它们在 2D（或 3D）space 中的位置进行分箱，而不是独立地沿每个维度进行分箱。请参阅以下具有两个特征维度和 b=4 的示例，其中特征被分箱到标有 # 的单元格中：
^ phi
|
+-+-+-+-+
| | | | |
+-+-+-+-+
| | | | |
+-+-+-+-+
| | | |#|
+-+-+-+-+
| | | | |
+-+-+-+-+-> alpha
该特征被合并到 alpha 在给定区间内且 phi 在另一个区间内的单元格中。与您理解的主要区别在于维度是 而非 独立处理的。每个单元格指定所有维度上的间隔，而不是单个维度。 （这在 3D 中的工作方式相同，只是您将拥有另一个维度的 theta 和 3D 网格而不是 2D 网格。）
这种分箱方式导致 2D 情况下的 b^2 个分箱，因为 alpha 维度中的每个区间都与 phi 维度中的所有区间组合，导致平方数量，而不是翻倍。添加另一个维度，您将得到立方而不是三倍，如您的问题。