与这里常见的说法相反，有不同的方法来定义（和计算）点云的中心。您已经建议了第一个也是最常见的解决方案，我将not认为这有什么问题：
centroid = average(x), average(y), average(z)
这里的“问题”是，它会根据点的分布“扭曲”你的中心点。例如，如果您假设所有点都在立方体或其他几何形状内，但大多数点恰好位于上半部分，则您的中心点也会朝该方向移动。
作为替代方案，您可以在每个维度中使用数学中值（极值的平均值）来避免这种情况：
middle = middle(x), middle(y), middle(z)
当您不太关心点的数量，而是更关心全局边界框时，可以使用它，因为这就是所有这些 - 点周围的边界框的中心。
最后，您还可以使用median（中间的元素）在每个维度：
median = median(x), median(y), median(z)
现在这会起到相反的作用middle实际上可以帮助您忽略点云中的异常值并找到中心点based on您的积分分配。
找到“好的”中心点的更可靠的方法可能是忽略每个维度中顶部和底部的 10%，然后计算average or median。正如您所看到的，您可以通过不同的方式定义中心点。下面我将向您展示 2 2D 点云的示例，并考虑到这些建议。
深蓝色点是平均质心。
中位数以绿色显示。
中间显示为红色。
在第二张图中，您将准确地看到我之前所说的内容：绿点“更接近”点云最密集的部分，而红点距离它更远，考虑到点云的最极端边界点云。
