为何Numpy SVD对完全共面的三维点集返回非标准法向量？

测试背景 #

尝试用np.linalg.svd()拟合R³中完全处于Z=100平面的点集，预期结果：

• 第三个奇异值在机器精度范围内为0；
• vh的第三列近似为[0, 0, 1]（机器精度范围内）。

点集1测试 #

点集部分点的前两维度数值远大于第三维度：

import numpy as np
pts = [[2345,-124, 100], [981, -123, 100], [4987,12345, 100], [-1324, 0, 100]]
svd = np.linalg.svd(pts)

结果大致符合预期：

• svd[1]为array([13349.56221861, 2705.21722461, 158.26983058])，第三奇异值虽未接近0，但svd[2]第三列前两维接近0，可作为平面法向量满足拟合需求。

点集2测试 #

点集所有点的前两维度数值均小于第三维度：

import numpy as np
pts = [[57, 37, 100], [34, 37, 100], [11, -37, 100], [-11, 38, 100]]
svd = np.linalg.svd(pts)

结果异常：

• svd[1]为array([209.35774076, 64.78329726, 46.58820429])，第三奇异值未接近0；
• svd[2]的第三列与[0, 0, 1]偏差极大，更接近[1, 0, 0]。

原因分析 #

问题核心是未对原始点集做中心化处理，这是SVD拟合平面的关键前提：

1. 拟合平面的本质是寻找包含点集的最小方差平面，需要先消除点集的整体平移分量——即计算点集均值，用每个点减去均值得到中心化后的点矩阵centered_pts = pts - np.mean(pts, axis=0)。
2. 原始点集所有点Z值均为100，均值的Z分量也是100，此时原始点矩阵的列向量包含指向[0,0,100]方向的强分量。当XY方向的点分布范围远小于Z值（如点集2），SVD会优先捕捉这个整体偏移方向作为主分量，平面法向量对应的分量被掩盖，导致结果偏离预期。
3. 点集1中XY方向数值远大于Z值，整体偏移分量相对较弱，SVD仍能捕捉到平面法向量对应的分量，结果接近预期。

修正后的验证 #

对两组点集做中心化后再执行SVD：

import numpy as np

# 点集1中心化处理
pts1 = np.array([[2345,-124, 100], [981, -123, 100], [4987,12345, 100], [-1324, 0, 100]])
centered_pts1 = pts1 - np.mean(pts1, axis=0)
svd1 = np.linalg.svd(centered_pts1)
print("点集1中心化后的奇异值：", svd1[1])
print("点集1中心化后的vh第三列：", svd1[2][2])

# 点集2中心化处理
pts2 = np.array([[57, 37, 100], [34, 37, 100], [11, -37, 100], [-11, 38, 100]])
centered_pts2 = pts2 - np.mean(pts2, axis=0)
svd2 = np.linalg.svd(centered_pts2)
print("点集2中心化后的奇异值：", svd2[1])
print("点集2中心化后的vh第三列：", svd2[2][2])

执行结果会符合预期：

• 第三奇异值趋近于机器精度下的0；
• vh的第三列近似为[0, 0, 1]（或其负方向，SVD的符号不影响法向量有效性）。

内容的提问来源于stack exchange，提问作者sjohns