shows the result for roughness and

shows the result for roughness and PCA parameters for the point cloud data. It can be visualised with reference to the histogram that the more the roughness and PCA are somewhat reciprocal to each other. Roughness is derived for the lowest eigenvalue with respect to sum of eigenvalues for all the dimensions in the point cloud data. While PCA is straight forward principal component analysis carried over in the direction of the second largest Eigen vector. Both the parameters are computed with a neighbourhood radius of 0.5.

ผลลัพธ์ (ไทย) 1:

แสดงผลสำหรับความหยาบและพารามิเตอร์ PCA สำหรับข้อมูลพอยต์คลาวด์ สามารถมองเห็นได้ด้วยการอ้างอิงถึงฮิสโตแกรมว่ายิ่งความหยาบและ PCA ค่อนข้างตอบแทนซึ่งกันและกันมากขึ้น ความหยาบได้มาจากค่าลักษณะเฉพาะต่ำสุดเมื่อเทียบกับผลรวมของค่าลักษณะเฉพาะสำหรับมิติทั้งหมดในข้อมูลพอยต์คลาวด์ ในขณะที่ PCA เป็นการวิเคราะห์องค์ประกอบหลักที่ตรงไปตรงมาซึ่งดำเนินการไปในทิศทางของเวกเตอร์ Eigen ที่ใหญ่เป็นอันดับสอง พารามิเตอร์ทั้งสองคำนวณด้วยรัศมีพื้นที่ใกล้เคียง 0.5

ผลลัพธ์ (ไทย) 2:

แสดงให้เห็นความหยาบของข้อมูลคลาวด์จุดและผลลัพธ์จากพารามิเตอร์ PCA อ้างอิงจาก histogram จะเห็นได้ว่าความหยาบและ PCA ยิ่งนับถอยหลังกันและกันในระดับหนึ่ง ความหยาบของการส่งออกค่าลักษณะต่ำสุดสำหรับผลรวมของค่าลักษณะในทุกมิติในข้อมูล Point Cloud ในขณะที่การวิเคราะห์องค์ประกอบหลักคือการวิเคราะห์องค์ประกอบหลักโดยตรงในทิศทางของเวกเตอร์ลักษณะที่ใหญ่เป็นอันดับสอง ตัวแปรทั้งสองตัวนี้คำนวณด้วยรัศมีเพื่อนบ้านของ 0.5

ผลลัพธ์ (ไทย) 3:

แสดงความขรุขระของข้อมูลเมฆจุดและผลของพารามิเตอร์PCA การอ้างอิงถึงฮิสโตแกรมจะแสดงให้เห็นว่าความขรุขระและPCAมีจํานวนมากขึ้นระหว่างแต่ละอื่นๆ ความขรุขระจะมาจากค่าความเป็นตัวตนต่ําสุดที่สัมพันธ์กับผลรวมของค่าความเป็นตัวตนของทุกมิติในข้อมูลเมฆจุด PCAคือการวิเคราะห์องค์ประกอบหลักโดยตรงในทิศทางเวกเตอร์คุณลักษณะที่ใหญ่เป็นอันดับสอง พารามิเตอร์ทั้งสองคํานวณด้วยรัศมีพื้นที่ใกล้เคียง0.5