最远点采样(Farthest Point Sampling,FPS)算法详解

  最远点采样(FSP)是一种常用的采样算法，主要用于点云数据（如激光雷达点云数据、分子坐标等）的采样。

一：算法原理

  最远点采样的研究对象是点云数据，即一堆离散的坐标点。广义上其它许多样本数据类型也可以使用FPS算法并进行最远点采样，如我们经常使用的iris、dry bean dataset等数据集的数据类型，这些数据可以把每一条看做p维空间中的一个点，并且也可以用各种距离度量方法计算各条数据之间的距离。兔兔在这里为了方便，只针对三维点云数据进行实例讲解。

  FPS的核心思想是使得所有采样点之间的距离尽可能的远，也就是数据尽可能的离散均匀。例如对于数据（1,2,3,4,5,6,7,8,9），我们若需要采集3个点，第一个点为1，那么第二个点就需要选择与1最远的点，即9，第三个点需要与1和9都尽可能的远，即5。当然，如果我们继续取点，则需要与1,5,7距离都尽可能的远，即3或7。这个过程是我们的一种直观理解，对于这一类问题，我们需要一种确定的算法来进行采样。

  1.首先，对于三维点云数据，我们一般采取欧式距离度量点之间距离，即空间中两点直线距离。

  2.在对第一个点采样时，理论上我们可以随机从数据中选取一个点。另一种规范的做法是：求整个数据点(点云)的重心(即所有点坐标求和平均得到的坐标点)，选取距离重心最远的点，记为P0。

  3. 然后，我们继续选取剩余的所有点中距离P0最远的点，记为P1。

  4. 对于剩下的每个点，分别计算到P0和P1的距离，并选取最短的那个作为这个点到P0,P1整体的距离。计算这些距离后选择距离最大的那个点，记为P2。

  5. 依次重复操作，直到选取所需数目的点。例如：继续选取点，分别计算剩余各点到P0,P1,P2的距离，并选取最短的那个距离作为某点到P1，P2，P3整体的距离，然后选取这些点中距离最大的那个点，记为P3。

 在算法实现的过程中，在第3步计算所有点到P0距离时，我们不妨定义一个一维数据L，L中各个位置的值表示各点到P0的距离，L中值最大的那个索引对应的点即为P1。寻找P2时，我们计算各点到P1距离，如果距离小于到P0的距离，就更新L数组中相应位置的值，否则不更改，计算好后L中值最大的那个索引对应的点即为P2，以此类推。

二：算法实现

import numpy as np
 
def distance(p1,p2):
    return np.sqrt(np.sum((p1-p2)**2))
 
def FPS(sample,num):
    '''sample:采样点云数据,
    num:需要采样的数据点个数'''
    n=sample.shape[0]
    center=np.mean(sample,axis=0) #点云重心
    select_p=[] #储存采集点索引
    L=[]
    for i in range(n):
        L.append(distance(sample[i],center))
    p0=np.argmax(L)
    select_p.append(p0) #选距离重心最远点p0
 
    L=np.zeros(shape=n)
    for i in range(num-1):
        for p in range(n):
            d = []
            for j in select_p:
                d.append(distance(sample[j],sample[p]))
            d=min(d)
            L[p]=d
        select_p.append(np.argmax(L))
    return select_p,sample[select_p]
 
point=np.random.randint(0,20,size=(200,3))
index,select_sample=FPS(sample=point,num=100)
print(index,select_sample)

当然，上述代码虽然比较直观，并且能够实现FPS采样，但是每一次都需要重复计算点到各采样点的值，这样会使程序运行速度慢，兔兔运行时需要8.52s。

import numpy as np
 
def distance(p1,p2):
    return np.sqrt(np.sum((p1-p2)**2))
 
def FPS(sample,num):
    '''sample:采样点云数据,
    num:需要采样的数据点个数'''
    n=sample.shape[0]
    center=np.mean(sample,axis=0) #点云重心
    select_p=[] #储存采集点索引
    L=[]
    for i in range(n):
        L.append(distance(sample[i],center))
    p0=np.argmax(L)
    select_p.append(p0) #选距离重心最远点p0
    L=[]
    for i in range(n):
        L.append(distance(p0,sample[i]))
    select_p.append(np.argmax(L))
    for i in range(num-2):
        for p in range(n):
            d=distance(sample[select_p[-1]],sample[p])
            if d<=L[p]:
                L[p]=d
        select_p.append(np.argmax(L))
    return select_p,sample[select_p]
 
index,select_sample=FPS(sample=point,num=100)
print(index,select_sample)

改进后代码的运行时间约为0.24s，时间明显缩短许多。

三：总结

FPS作为一种采样算法，够对一些数据进行有效的采样，在实际问题中具有广泛应用，例如：当今十分热门的PointNet++中也使用了这种方法，我想很多同学也是因为PointNet++等模型来学习FPS算法，但是FPS的应用远远不止局限于此，它的这种方法与思想仍可以更广泛地应用于其它方面。