本文目录一览：
- 1、R和 Python 用于统计学分析，哪个更好
- 2、点云配准用python怎么样
- 3、初学python，感受和C的不同
- 4、使用 python photogrammetry toolbox 进行照片3d重建使用什么软件
- 5、python 如何将三维数组转化为点云？三维数组中只有0或者1
- 6、怎么在ubuntu运行点云程序
R和 Python 用于统计学分析，哪个更好
根据我的使用经验，我认为一般性的科研可以使用numpy工具链做为主力。
首先，在写矩阵计算相关的语句时，numpy的语法几乎能逼近MATLAB的简洁程度，而其他语言相对来说稍微“难看、难写”一些。
其次，当程序不仅仅涉及到科学计算时，用Python就可以大发神威了。比如我自己遇到的一个实际问题：需要对点云进行一些非常复杂的优化操作，之后需要画出三维图且支持一些拉近拉远转视角的操作，并且还要做出一个不错的界面方便调整参数、载入数据等等。看到画三维点云的第一反应就是用OpenGL，但是使用C/C++写那些非常繁杂的数值优化...用MATLAB可以很舒服、很便捷地写出优化部分的代码，但是直接画大规模的三维点云的速度，以及它那令人忧伤的GUI...
那Python就行吗？是的。在数值计算方面，Numpy/Scipy，以及强大的机器学习包scikit.learn，让这个过程十分惬意。在画三维点云方面，PyOpengl包完全就是OpenGL的Python封装，速度非常快，而且语法几乎同OpenGL一样。最后，使用PyQt写出基于Qt的GUI，这至少是一个标准的完备的GUI包，外观功能都不错。最后的最后，这个程序不需改动就可以跨平台运行，只要Linux/Windows用户按照标准过程安装了相应的包就可以使用，不用折腾本地编译之类的事情。
还有一个问题是速度。Windows下使用python(x,y)、Linux下源里默认安装方法的Python链接的都是较慢的Blas/Lapack库，而MATLAB默认链接MKL，所以矩阵计算速度会慢非常多。但是至少在Linux下是很容易让Numpy链接上MKL的，这样的Numpy计算速度与MATLAB几乎相同，所以速度不是严重的问题。也许C++能在循环上秒杀Python，但是如果你涉及到矩阵计算，用的普通的BLAS/LAPACK库，那么在核心的某几步上会慢成渣，从而在总的速度上被Python超越，得不偿失。当然你也可以让C++程序链接上MKL库，但要移植到别的平台又是一番折腾。
最后就是开发环境，个人推荐Eclipse的Pydev，用起来几乎同MATLAB一样，尤其是调试和看变量值方面。
在统计问题方面，用R写起来最舒服，因为包全，这一点Python或者C比不上。而且R也能链接MKL大大加快速度。还有就是，如果你要写统计方面的论文，那论文里的代码用R似乎会“显得”你更“
专业”一些。
上学期有流形学习课，我用scikit.learn包，几乎每次只改一句话就能提交作业（把LLE变成ISOMAP什么的）。还有一门统计学习课，让我深刻感觉到R就是用来写老师布置的ESL后面的那些编程题的，因为那些方法的作者，以及这本书的作者，写的就是R的包。至于大规模计算、实际的大型工程问题，我没有经验，所以不能提供更多信息了。
补充：如果觉得自己链接MKL库编译Numpy和R麻烦的话，Python可以使用Canopy(就是之前的EPD)，R可以使用Revolution R，都是一些商业公司帮配置好的完整发行版，链接了MKL库并支持其他一些特性（例如自带IDE等）。前者各平台都有，后者仅限Windows平台。
点云配准用python怎么样
点云配准过程，就是求一个两个点云之间的旋转平移矩阵（rigid transform or euclidean transform 刚性变换或欧式变换），将源点云(source cloud)变换到目标点云(target cloud)相同的坐标系下。
可以表示为以下的方程:
其中就是target cloud与source cloud中的一对对应点。
而我们要求的就是其中的R与T旋转平移矩阵。
初学python，感受和C的不同
从开始看Python到现在也有半个多月了，前后看了Python核心编程和Dive into
Python两本书。话说半个月看两本，是个人都知道有多囫囵吞枣，这也是因为我暂时没有需求拿这个做大型开发，主要是平时的小程序test用一用。所以
我的策略是，整体浏览，用到时候现查。话说这核心编程第一版太古老了，老在讲2.2之前的东西，我看的翻译电子版，翻译得也不好，很晦涩。看完这个后还有
点云里雾里，看网上人家说DIP好，啄木鸟还有免费电子文档，就找来看这个。怎么说呢，讲的比核心编程好，但不适合第一次看的初学者。我之所以觉得讲得
好，是因为看核心编程，有些概念还有些模糊，看了这本书就明白不少了。要是初学者上来就看这本，保证不好理解。
下面就是在学习的过程中，在翻阅资料的过程中，总结的一些C和python比较明显的不同之处，有大方向的，也有细节的。肯定没有总结完，比如动态
函数，lambda这些，我都懒得往上写了。实际上，作为两种完全不同的语言，下面这些差异只是冰山一角而已。权当抛砖引玉吧，至少应该对和我有相同研究
兴趣，正在考虑是否学习另一门语言的朋友有点帮助。此文也算是DIP的学习笔记吧。顺带说一句，要是有朋友了解，可以帮忙推荐一下实战性强的Python
教材，语言这东西，不多练手，光比划，是不可能学好的。
学习目的
我的以后的研究方向是嵌入式，显然，C语言是我的主要语言。我不是一个语言爱好者，我以前觉得，对于做研究而不是应用的人来说，了解多门语言，不如
精通一门语言。之所以去看python，主要还是因为python更有利于快速开发一些程序，也是因为现在认识到，研究和应用是不能分离的。个人以为，要
想在计算机工程的竞争中立足，必须懂C语言。因为真正要做高性能编程,
不可能将机器的体系架构抛到脑后让Python虚拟机（或Java虚拟机等）帮你搞定所有底层。越来越多的CPU
core，越来越恐怖的内存性能瓶颈，对于上层开发人员来说，无所谓，但是对高性能程序开发人员来说，这些是无法透明的。很多应用，还是自己掌控比较有
效。这些场合中，汇编和C还是不可替代的。但是，光知道C是不够的，掌握一门面向对象语言，相对更高层的语言，不仅对以后的个人发展有利，也会对自己的技
术认识产生帮助。
如果要问对我来说谁更重要，我觉得还是C更重要。C的学习曲线更陡，貌似简单，实际上到处都是陷阱，看上去比较简单低效的程序，也不是学1，2个月
就能搞定的。谈到优化的深层次和难度嘛，需要的功底是按年算的。但是一旦你C语言的基础打好了，对计算机的理解，对其他语言的理解都是大有裨益的。比如，
如果你有C基础，可以说，学过1天python，就能写的出来一些不短的程序。后面的优化也不是什么大不了的算法，都是非常基本的语句换来换去。当然这里
不是说 Python不好，实际上，上层应用，Python比C方便的不是一个层次。
很多人觉得，既然懂C了，那么进一步掌握C＋＋应该是水到渠成，但C++不是C的超集，而我又不喜欢C＋＋的繁琐和巨大，所以才决定看一看Python。我很喜欢Python的优雅与快捷。
语言类型
和C不一样，Python是一种动态类型语言，又是强类型语言。这个分类怎么理解呢？大概是可以按照下列说明来分类的：
静态类型语言
一种在编译期间就确定数据类型的语言。大多数静态类型语言是通过要求在使用任一变量之前声明其数据类型来保证这一点的。Java和 C 是静态类型语言。
动态类型语言
一种在运行期间才去确定数据类型的语言，与静态类型相反。Python 是动态类型的，因为它们确定一个变量的类型是在您第一次给它赋值的时候。
强类型语言
一种总是强制类型定义的语言。Java 和 Python 是强制类型定义的。您有一个整数，如果不明确地进行转换 ，不能将把它当成一个字符串。
弱类型语言
一种类型可以被忽略的语言，与强类型相反。VBScript 是弱类型的。在 VBScript 中，您可以将字符串 ‘12′ 和整数 3 进行连接得到字符串’123′，然后可以把它看成整数 123 ，所有这些都不需要任何的显示转换。
对象机制
具体怎么来理解这个“动态确定变量类型”，就要从Python的Object对象机制说起了。Objects（以下称对象）是Python对于数据
的抽象，Python中所有的数据，都是由对象或者对象之间的关系表示的，函数是对象，字符串是对象，每个东西都是对象的概念。每一个对象都有三种属性：
实体，类型和值。理解实体是理解对象中很重要的一步，实体一旦被创建，那么就一直不会改变，也不会被显式摧毁，同时通常意义来讲，决定对象所支持的操作方
式的类型（type，包括number，string，tuple及其他）也不会改变，改变的只可能是它的值。如果要找一个具体点的说明，实体就相当于对
象在内存中的地址，是本质存在。而类型和值都只是实体的外在呈现。然后Python提供一些接口让使用者和对象交互，比如id(）函数用来获得对象实体的
整形表示（实际在这里就是地址），type()函数获取其类型。
这个object机制，就是c所不具备的，主要体现在下面几点：
1 刚才说了，c是一个静态类型语言，我们可以定义int a, char
b等等，但必须是在源代码里面事先规定。比如我们可以在Python里面任意一处直接规定a =
“lk”，这样，a的类型就是string，这是在其赋值的时候才决定的，我们无须在代码中明确写出。而在C里面，我们必须显式规定char *a =
“lk”，也就是人工事先规定好a的类型
2 由于在C中，没有对象这个概念，只有“数据的表示”，比如说，如果有两个int变量a和b，我们想比较大小，可以用a ＝＝
b来判断，但是如果是两个字符串变量a和b，我们就不得不用strcmp来比较了，因为此时，a和b本质上是指向字符串的指针，如果直接还是用＝＝比较，
那比较的实际是指针中存储的值——地址。
在Java中呢，我们通过使用 str1 == str2 可以确定两个字符串变量是否指向同一块物理内存位置，这叫做“对象同一性”。在 Java 中要比较两个字符串值，你要使用 str1.equals(str2)。
然后在Python中，和前两者都不一样，由于对象的引入，我们可以用“is”这个运算符来比较两个对象的实体，和具体对象的type就没有关系
了，比如你的对象是tuple也好，string也好，甚至class也好，都可以用”is”来比较，本质上就是“对象同一性”的比较，和Java中
的＝＝类似，和 C中的pointer比较类似。Python中也有＝＝比较，这个就是值比较了。
3
由于对象机制的引入，让Python的使用非常灵活，比如我们可以用自省方法来查看内存中以对象形式存在的其它模块和函数，获取它们的信息，并对它们进行
操作。用这种方法，你可以定义没有名称的函数，不按函数声明的参数顺序调用函数，甚至引用事先并不知道名称的函数。 这些操作在C中都是不可想象的。
4 还有一个很有意思的细节，就是类型对对象行为的影响是各方面的，比如说，a = 1; b =
1这个语句中，在Python里面引发的，可能是a，b同时指向一个值为1的对象，也可能是分别指向两个值为1的对象。而例如这个语句，c = []; d
= []，那么c和d是肯定指向不同的，新创建的空list的。没完，如果是”c = d =
[]“这个语句呢？此时，c和d又指向了相同的list对象了。这些区别，都是在c中没有的。
最后，我们来说说为什么python慢。主要原因就是function call
overhead比较大。因为所有东西现在都是对象了，contruct 和destroy 花费也大。连1 + 1 都是 function
call，像’12′+’45′ 这样的要 create a third string object, then calls the string
obj’s __add。可想而知，速度如何能快起来？
列表和数组
分析Python中的list和C中的数组总是很有趣的。相信可能一些朋友和一样，初学列表的时候，都是把它当作是数组来学的。最初对于list和数组区别的定性，主要是集中在两点。首先，list可以包含很多不同的数据类型，比如
["this", 1, "is", "an", "array"]
这个List，如果放在C中，其实是一个字符串数组，相当于二维的了。
其次呢，list有很多方法，其本身就是一个对象，这个和C的单纯数组是不同的。对于List的操作很多样，因为有方法也有重载的运算符。也带来一些问题，比如下面这个例子：
加入我们要产生一个多维列表，用下面这个语句
A = [[None] * 2] * 3
结果，A的值会是
[[None, None], [None, None], [None, None]]
初一看没问题，典型的二维数组形式的列表。好，现在我们想修改第一个None的值，用语句
A[0][0] = 5
现在我们再来看看A的值：
[[5, None], [5, None], [5, None]]
发现问题没有？这是因为用 * 来复制时，只是创建了对这个对象的引用，而不是真正的创建了它。 *3 创建了一个包含三个引用的列表，这三个引用都指向同一个长度为2的列表。其中一个行的改变会显示在所有行中，这当然不是你想要的。解决方法当然有，我们这样来创建
A = [None]*3
for i in range(3):
A[i] = [None] * 2
这样创建了一个包含三个不同的长度为2的列表。
所以，还是一直强调的，越复杂的东西，越灵活，也越容易出错。
代码优化
C是一个很简单的语言，当我们考虑优化的时候，通常想得也很简单，比如系统级调用越少越好（缓冲区机制），消除循环的低效率和不必要的系统引用，等
等，其实主要都是基于系统和硬件细节考虑的。而Python就完全不一样了，当然上面说的这些优化形式，对于Python仍然是实用的，但由于
Python的语法形式千差万别，库和模块多种多样，所以对于语言本身而言，就有很多值得注意的优化要点，举几个例子吧。
比如我们有一个list L1，想要构建一个新的list L2，L2包括L1的头4个元素。按照最直接的想法，代码应该是
L2 = []
for i in range[3]:
L2.append(L1[i])
而更加优化和优美的版本是
L2 = L1[:3]
再比如，如果s1..s7是大字符串(10K+)，那么join([s1,s2,s3,s4,s5,s6,s7])就会比
s1+s2+s3+s4+s5+s6+s7快得多,因为后者会计算很多次子表达式，而join()则在一次过程中完成所有的复制。还有，对于字符串操作，
对字符串对象使用replace()方法。仅当在没有固定字符串模式时才使用正则表达式。
所以说，以优化为评判标准，如果说C是短小精悍，Python就是博大精深。
include和import
在C语言中的include非常简单，因为形式单一，意义明确，当你需要用到外部函数等资源时，就用include。而Python中有一个相似的
机制，就是import。乍一看，这两个家伙挺像的，不都是我们要用外部资源（最常见的就是函数或者模块（Python））时就用这个来指明么？其实不
然，两者的处理机制本质区别在于，C中的include是用于告诉预处理器，这个include指定的文件的内容，你都给我当作在本地源文件中出现过。而
import呢，不是简单的将后面的内容*直接*插入到本地里面去，这玩意更加灵活。事实上，几乎所有类似的机制，Python都比C灵活。这里不是说C
不好，C很简练，我其实更喜欢C。
简单说说这个灵活性。import在python中有三种形式，import X, from X import *( or a,b,c……),
X = __import__(’x')。最常用的是第二种，因为比较方便，不像第一种那样老是用X.module来调用模块。from X
import *只是import那些public的module(一般都是不以__命名的模块)，也可以指定a,b,c来import。
什么时候用哪一种形式呢？应该说，在大多数的模块文档里，都会明确告诉你应该用哪种形式。如果需要用到很多对象，那么from X import
*可能更合适一些，但是，就目前来看，大多数第三方Python库都不推荐使用from modulename import *
这种格式。这样做会使引入者的namespace混乱。很多人甚至对于那些专门设计用于这种模式的模块（包括Tkinter,
threading和matplot）都不采用这种方式。而如果你仅仅需要某个对象类a，那么用from X import a比用import
X.a更好，因为以后你调用a的函数直接用a.function()既可以了，不用加X。
如果你连自己希望import的模块都不知道怎么办？请注意，此时Python的优势就体现出来了，我们可以用
__import__(module)来调用module，其中这个module是字符串，这样，可以在运行时再决定，你到底要调用什么module。举
个例子：
def classFromModule (module, Name):
mod = __import__ (module)
return getattr (mod, Name)
这里，定义了一个函数classFromModule，你可以在代码的任何时候调用它，
o = classFromModule (ModuleOfTheClass, NameOfTheAttribute)()
只需要传入字符串形式的你希望import的模块ModuleOfTheClass和其中属性的名字NameOfTheAttribute（当然可以是数据也可以是方法），就能调用了，这个名字字符串不用事先指定，而是根据当时运行的情况来判断。
顺带说一句，Python中import的顺序也有默认规定，这个和C中的include有点类似，因为我们一般都是先include系统文件，再
include自己的头文件（而且还有和“”的区别）。Python中呢，一般应该按照以下顺序import模块：
1. 标准库模块 — 如 sys, os, getopt 等
2. 第三方模块
3. 本地实现的模块。
全局变量
这里谈全局变量呢，倒不是说Python和c的全局变量概念不同，他们的概念是相同的。只是在使用机制上，是有一些差异的。举个例子：
– module.py –
globalvar = 1
def func():
print globalvar
# This makes someglobal readonly,
# any attempt to write to someglobal
# would create a new local variable.
def func2():
global globalvar
globalvar = 2
# this allows you to manipulate the global
# variable
在 func这个函数中，globalvar是只读的。如果你使用了globalvar =
xxx这种赋值语句，Python会重新创造一个新的本地对象并将新值赋给它，原来的对象值不变。而在func2函数中，由于我们事先申明了
globalvar是global的，那么此时的更改就直接在全局变量上生效。
使用 python photogrammetry toolbox 进行照片3d重建使用什么软件
之前我们了解了如何使用 VisualSFM 对多张照片进行3D重建。除了 VisualSFM 之外，其实还有其他方法能够完成同样的任务，今天就为大家介绍一下 Python Photogrammetry Toolbox（下称 PPT）。
使用 PPT 进行照片重建，基本步骤与使用 VisualSFM 时相同，分为特征识别、特征匹配、稀疏重建以及稠密重建几步。不过 PPT 通过 Python 脚本语言将 bundle、PMVS 等工具封装了起来，一方面提供了跨平台性，更重要的，整个重建过程可以依靠脚本完成，减少了人工参与的成分。
您需要在下面的网页下载安装 PPT。
如果您按照网页上的介绍，除了 PPT 之外还安装了相应的 GUI，那么重建过程会更直观。我们下面的示例也将使用 GUI。这次用于重建的照片，仍然是 Autodesk 123D Catch 中自带的佛陀，你可以在 123D Catch 安装目录下的 sample_project 中找到这些照片。
启动 PPT 的 GUI，你将看到主程序界面。
主界面中有 4 个 tab，常用的是前两个。“1. Run Bundle” 用于识别与匹配图像特征点，“2. Run CMVS/PMVS” 则完成稀疏与稠密重建。
点击 Select Photos Path 后，我们可以在弹出的对话框中选择我们希望重建的照片所在的目录。除了指定照片目录之外，界面中还提供了一些选项。其中 Select Feature Extractor 用于选择特征的抽取方法。不同的抽取方法可能有不同的许可证要求，不过对于我们试用来说区别不大。右侧的选项可以让你对图片进行统一的缩放。每次你改动配置，底部的 Run 中的命令行都会相应更新。
配置停当后，点击 Run，就可以开始我们重建的第一步了。此时，在 Python 的 Console 中，你可以看到识别以及匹配的过程。
在识别匹配完成后，会自动弹出工作目录，其中保存了各个照片的特征值以及匹配结果。
我们在主界面中切换到 “2. Run CMVS/PMVS” 标签，在 “Select Bundler Output Path” 中填入之前的工作目录。需要注意的是下面这个选项。
该选项决定了 PMVS 将使用多少张照片重建模型。如果填入的数字小于照片的总数，那么将会得到多个模型，这样你还得手动将这些模型组合起来。因为佛陀的照片一共有 40 张，所以我们直接在这里填入 40。同样的，每次你改变配置，Run 中的命令行都会相应改变。配置完之后，点击 Run，便开始稀疏重建了。与在 VisualSFM 中一样，这一步非常耗费 CPU，所以请在空闲时运行。
经过一段时间等待之后，刚才的工作目录中会多出现 pmvs 的目录，重建的结果就在其中。
打开 models 下的 ply 文件，我们就又可以看到我们熟悉的佛陀朋友了。
到这里我们已经得到了模型的点云。其后的根据点云重建多边形的步骤，与使用 VisualSFM 时相同，这里就不再介绍了。
python 如何将三维数组转化为点云？三维数组中只有0或者1
使用reshape命令对矩阵进行整形。使用方式reshape(X,m,n...)
改进方式:
a(:,:,1)=[1
2
3;4
5
6;7
8
9];
a(:,:,2)=[0
1;0
1
0;1
0];
a(:,:,3)=3
for
j=1:3
k=a(j,:,:);
k=reshape(k,3,3);%更改位置，3,3按照自己的矩阵变化，但要保证数目相同
[x,y]=eig(k);%x:特征向量;y:特征值。后期自己再改正哈程序
end
怎么在ubuntu运行点云程序
在网上这里好多版本，我试过之后是这样安装完成的
sudo add-apt-repository ppa:v-launchpad-jochen-sprickerhof-de/pcl
sudo apt-get update
sudo apt-get install libpcl-all
现在相应的依赖关系：
sudo apt-get install Python-vtk sudo apt-get install libvtk-Java
此时pcl在Ubuntu上就安装完成了