最小二乘法拟合圆公式推导及vc实现

 最小二乘法(least squares analysis)是一种 数学 优化 技术，它通过 最小化 误差 的平方和找到一组数据的最佳 函数 匹配。 最小二乘法是用最简的方法求得一些绝对不可知的真值，而令误差平方之和为最小。 最小二乘法通常用于 曲线拟合 (least squares fitting) 。这里有 拟合圆曲线 的公式推导过程 和 vc实现。








VC实现的代码：

void  CViewActionImageTool::LeastSquaresFitting()
{
    if (m_nNum<3)
    {
        return;
    }

    int i=0;

    double X1=0;
    double Y1=0;
    double X2=0;
    double Y2=0;
    double X3=0;
    double Y3=0;
    double X1Y1=0;
    double X1Y2=0;
    double X2Y1=0;

    for (i=0;i<m_nNum;i++)
    {
        X1 = X1 + m_points[i].x;
        Y1 = Y1 + m_points[i].y;
        X2 = X2 + m_points[i].x*m_points[i].x;
        Y2 = Y2 + m_points[i].y*m_points[i].y;
        X3 = X3 + m_points[i].x*m_points[i].x*m_points[i].x;
        Y3 = Y3 + m_points[i].y*m_points[i].y*m_points[i].y;
        X1Y1 = X1Y1 + m_points[i].x*m_points[i].y;
        X1Y2 = X1Y2 + m_points[i].x*m_points[i].y*m_points[i].y;
        X2Y1 = X2Y1 + m_points[i].x*m_points[i].x*m_points[i].y;
    }

    double C,D,E,G,H,N;
    double a,b,c;
    N = m_nNum;
    C = N*X2 - X1*X1;
    D = N*X1Y1 - X1*Y1;
    E = N*X3 + N*X1Y2 - (X2+Y2)*X1;
    G = N*Y2 - Y1*Y1;
    H = N*X2Y1 + N*Y3 - (X2+Y2)*Y1;
    a = (H*D-E*G)/(C*G-D*D);
    b = (H*C-E*D)/(D*D-G*C);
    c = -(a*X1 + b*Y1 + X2 + Y2)/N;

    double A,B,R;
    A = a/(-2);
    B = b/(-2);
    R = sqrt(a*a+b*b-4*c)/2;

    m_fCenterX = A;
    m_fCenterY = B;
    m_fRadius = R;

    return;
}

工程下载

编译运行后随便打开一个图片，当然最好是全白的图片，然后就点吧，大于三个点后就会开始拟合。红线画的圆为拟合的圆，深蓝的点为鼠标点击设置的样本点。单击鼠标右键清空样本集。

转自：http://www.cnblogs.com/dotLive/archive/2007/04/06/524633.html

看了下面的评论很有启发：贴上来，可以仔细研读下

#2楼   2007-04-05 09:53 |  路不平[未注册用户]

公式错误！ 

最小二乘法的意义是距离差值的平方（di-R）^2，不是距离平方差的平方(di^2-R^2)^2 

两者是不同的！事实上 

（di^2-R^2）=(di-R)(di+R) 

因此，以上结果将使圆半径“趋小”！ 

  

#3楼 [ 楼主]  2007-04-05 13:37 |  .Live   

@路不平 
其实是一样的。 

最小化 误差 的平方和，将距离平方差认为是 误差，可以表征和真实值得误差大小，使之最小也可以得到一个相对较优的拟合值。同时简化公式的推导。 

如果使用距离的平方差，则平方和中会出现开根号，公式就很难推导了。

支持(1) 反对(0)

  

#4楼   2007-04-06 09:18 |  路不平[未注册用户]

回：dotLive 

我编制过关于圆最小二乘的程序。起先我以为两者是一样的，就是：评价(di-R)^2与评价（di^2-R^2）^2是一样的。 
但正如你所说，后者是把R^2作为真值进行考虑的。当然如果散点恰能构成一个圆，两者是一样的。因为： 
（a^2-b^2）=(a+b)(a-b)=0 
但我实际编程后（采用最速下降法）发现，后者的半径偏小（散点越不接近于圆越明显）！为什么呢？因为，最小二乘的几何原理考察的是“距离”的误差（di-R）。那么变成平方差 （di^2-R^2）后，事实上是给（di-R）乘上了一个（di+R约=2R）的权重，最终实际的结果，当然是半径偏小。 
事实上，你可以通过编程发现两者的差异！ 
当然上述推导依然是有价值的，因为这个结果作为迭代法的初值是再合适不过了！ 
实际的推导是不“可解”的，否则，《数学手册》就会出现相应的方法，就象线性回归和抛物线回归一样！ 

  

#5楼 [ 楼主]  2007-04-06 10:30 |  .Live   

@路不平 
你的分析是对的，对我很有启发。我没有考虑到偏差的程度是如何变化的。你的分析应该说验证了这个推导在整体圆检测算法中的可行性。 
事实上这个拟合公式确实迭代检测圆的一个步骤，我采取的方法是每次迭代删除方差大于某个阈值的点，认为它们是非圆上的点。 
要使用这个迭代拟合的方法，还需要前面粗检测来限定范围，以保证进行拟合的点在圆周的一个特定范围内；最后删除点的迭代次数，也就是迭代停止条件也需要考虑和分析。最后我们希望是可以得到全部都是圆上的点，或者都是离真实边缘很接近的点，那么拟合的圆稍微有所偏差也是可以接受的。 
还有一点是，这个检测的算法是假设在很高的分辨率下进行的，因此需要采用一些牺牲少量精度，大量降低计算量的方法，检测精度已经由高分辨的采集装置保证了一部分。