最小二乘法多項式曲線擬合,是常見的曲線擬合方法,有着廣泛的應用,這裏在借鑑最小二乘多項式曲線擬合原理與實現的原理的基礎上,介紹如何在OpenCV來實現基於最小二乘的多項式曲線擬合。
概念
最小二乘法多項式曲線擬合,根據給定的m個點,並不要求這條曲線精確地經過這些點,而是曲線y=f(x)的近似曲線y= φ(x)。
給定數據點pi(xi,yi),其中i=1,2,…,m。求近似曲線y= φ(x)。並且使得近似曲線與y=f(x)的偏差最小。近似曲線在點pi處的偏差δi= φ(xi)-y,i=1,2,...,m。
常見的曲線擬合方法:
1.使偏差絕對值之和最小
2.使偏差絕對值最大的最小
3.使偏差平方和最小
按偏差平方和最小的原則選取擬合曲線,並且採取二項式方程爲擬合曲線的方法,稱爲最小二乘法。
推導過程:
1. 設擬合多項式爲:
2.各點到這條曲線的距離之和,即偏差平方和如下:
3.爲了求得符合條件的a值,對等式右邊求ai偏導數,因而我們得到了:
.......
4.將等式左邊進行一下化簡,然後應該可以得到下面的等式:
.......
5.把這些等式表示成矩陣的形式,就可以得到下面的矩陣:
6.即X*A=Y。
我們只要解出這個線性方程,即可求得擬合曲線多項式的係數矩陣。而在opencv中,有一個專門用於求解線性方程的函數,即cv::solve(),具體調用形式如下:
int cv::solve(
cv::InputArray X, // 左邊矩陣X, nxn
cv::InputArray Y, // 右邊矩陣Y,nx1
cv::OutputArray A, // 結果,係數矩陣A,nx1
int method = cv::DECOMP_LU // 估算方法
);
我們只需要按照上述原理,構造出矩陣X和Y,即可調用該函數,計算出多項式的係數矩陣A。
opencv中支持的估算方法如下圖所示:
bool polynomial_curve_fit(std::vector<cv::Point>& key_point, int n, cv::Mat& A)
{
//Number of key points
int N = key_point.size();
//構造矩陣X
cv::Mat X = cv::Mat::zeros(n + 1, n + 1, CV_64FC1);
for (int i = 0; i < n + 1; i++)
{
for (int j = 0; j < n + 1; j++)
{
for (int k = 0; k < N; k++)
{
X.at<double>(i, j) = X.at<double>(i, j) +
std::pow(key_point[k].x, i + j);
}
}
}
//構造矩陣Y
cv::Mat Y = cv::Mat::zeros(n + 1, 1, CV_64FC1);
for (int i = 0; i < n + 1; i++)
{
for (int k = 0; k < N; k++)
{
Y.at<double>(i, 0) = Y.at<double>(i, 0) +
std::pow(key_point[k].x, i) * key_point[k].y;
}
}
A = cv::Mat::zeros(n + 1, 1, CV_64FC1);
//求解矩陣A
cv::solve(X, Y, A, cv::DECOMP_LU);
return true;
}
測試代碼如下:
int main()
{
//創建用於繪製的深藍色背景圖像
cv::Mat image = cv::Mat::zeros(480, 640, CV_8UC3);
image.setTo(cv::Scalar(100, 0, 0));
//輸入擬合點
std::vector<cv::Point> points;
points.push_back(cv::Point(100., 58.));
points.push_back(cv::Point(150., 70.));
points.push_back(cv::Point(200., 90.));
points.push_back(cv::Point(252., 140.));
points.push_back(cv::Point(300., 220.));
points.push_back(cv::Point(350., 400.));
//將擬合點繪製到空白圖上
for (int i = 0; i < points.size(); i++)
{
cv::circle(image, points[i], 5, cv::Scalar(0, 0, 255), 2, 8, 0);
}
//繪製折線
cv::polylines(image, points, false, cv::Scalar(0, 255, 0), 1, 8, 0);
cv::Mat A;
polynomial_curve_fit(points, 3, A);
std::cout << "A = " << A << std::endl;
std::vector<cv::Point> points_fitted;
for (int x = 0; x < 400; x++)
{
double y = A.at<double>(0, 0) + A.at<double>(1, 0) * x +
A.at<double>(2, 0)*std::pow(x, 2) + A.at<double>(3, 0)*std::pow(x, 3);
points_fitted.push_back(cv::Point(x, y));
}
cv::polylines(image, points_fitted, false, cv::Scalar(0, 255, 255), 1, 8, 0);
cv::imshow("image", image);
cv::waitKey(0);
return 0;
}
2017.06.05