欢迎关注更多精彩
关注我，学习常用算法与数据结构，一题多解，降维打击。
本期话题：切比雪夫（最小区域法）直线拟合算法
背景
ptb认证（切比雪夫认证）
之前有高斯认证点击前往
ptb是对几何体拟合算法的认证。
主要涉及2D直线，平面，2D圆，球，圆柱。
官方会给出点云信息，由用户将拟合结果上传到官方服务器进行对比答案，返回结果。
拟合有很多种度量标准，不同的标准出来的答案可能不完全精确。所以，要通过认证必须用官方给定的度量方法，具体可以参考论文。
认证精度要求
对于位置类型，比如圆心，直线的点等，误差不能超过0.0001mm。
对于方向，与标准值夹角不能直过0.0000001rad。
对于半径，误差不能超过0.0001mm。
对于最小区域宽度，误差不能超过0.00001mm。
学习资料
论文资料
线性规划求解最小区域
General solution for Tsebyshev approximation of form elements in coordinate measurement
直线拟合输入和输出要求
输入
- 10到631个点，全部采样自直线附近。
- 每个点3个坐标，坐标精确到小数点后面20位，最后1个坐标为0。
- 坐标单位是mm, 范围[-500mm, 500mm]。
输出
- 直线上1点X0，用三个坐标表示。
- 直线方向A，用三个坐标表示，需要单位化。
- 直线度F，所有点到直线距离最大的2倍。
F的最小区域法理解
黑色为点云。
对于直线来讲，最小区域是指用两条平行的直线去夹住点云，使得平行线之间的距离最小。这个最小距离就是F。拟合结果就是平行线中间的那条直线。
精度要求
- X0点到标准直线距离不能超过0.0001mm。
- A与标准法向的夹角不能超过0.0000001rad。
- F与标准直线度误差不能超过0.00001mm。
直线优化标函数
根据认证要求，直线拟合转化成数学表示如下：
直线参数化表示
- 直线上1点X0 = (x0, y0,0)。
- 方向单位向量A=(a,b, 0)。
点到直线距离
第i个点 pi(xi, yi,0)。
可以根据叉乘长度为面积，面积又等于底乘高，点到直线的距离是叉乘结果除以底。底是单位向量。
d i = H = ∥ ( p i − X 0 ) × A ∥ ∥ A ∥ d_i = H =\frac { \left \| (p_i-X_0)\times A \right \|}{\left \| A \right \|} di=H=∥A∥∥(pi−X0)×A∥
d i = ∥ ( p i − X 0 ) × A ∥ d_i = \left \| (p_i-X_0)\times A \right \| di=∥(pi−X0)×A∥
展开一下：
d i = ( u i 2 + v i 2 + w i 2 ) = w i d_i = \sqrt{(u_i^2+v_i^2+w_i^2)}=w_i di=(ui2+vi2+wi2)=wi
u i = c ( y i − y 0 ) − b ( z i − z 0 ) = 0 u_i = c(y_i-y_0)-b(z_i-z_0) =0 ui=c(yi−y0)−b(zi−z0)=0
v i = a ( z i − z 0 ) − c ( x i − x 0 ) = 0 v_i = a(z_i-z_0)-c(x_i-x_0)=0 vi=a(zi−z0)−c(xi−x0)=0
w i = b ( x i − x 0 ) − a ( y i − y 0 ) w_i = b(x_i-x_0)-a(y_i-y_0) wi=b(xi−x0)−a(yi−y0)
优化能量方程
切比雪夫拟合要求所有距离中的最大值要最小。
能量方程 H = f ( X 0 , A ) = max 1 n d i H=f(X0, A)=\displaystyle \max_1^n {d_i} H=f(X0,A)=1maxndi
上式X0, A是未知量，拟合直线的过程也可以理解为优化X0, A使得方程H最小。
这里给出2种解法，1 利用凸包性质求解，2 转化为线性规划问题解决
凸包+旋转卡壳
学习资料：
凸包点击前往
问题解析
最小区域法具体要求是使用两平行线去夹点云，使得平行线之间的距离最小。
目标线为平行线的中间线。可以先求出点云的凸包，再用旋转卡壳算法确定最小区域。
算法过程
1.先找到点云的凸包。
2.以凸包一条边L为起边找到离该最远的点O, 过点O的与L平行线L’即可组成一组平行线，判断距离是否为最短，并更新。
3.继续旋转L至下一条凸包边，O可以继承上次的停止点。
4.直到遍历完所有L.
正确性证明
1.目标平行线必有一条为凸包一条边。
绿线通过凸包2个点P1，P2，蓝色平行线垂直于绿线，分别过P1，P2.
此时，是通过P1，P2间距最大的一组平行线。随着旋转与绿线夹角变小，距离就会变短。
所以，如果现条线都不为凸包的边，就可以通过旋转，使得与绿线夹角变小，从而得到更短的平行线。
2.一条边的最远点，可以作为下一条边的初始点。
可以看出对于红线来说，最远点是一个凸函数，会先上升后下降。
当找到点后，逆时针找蓝线的最高点，O对于蓝来说肯定还处长上升趋势。
代码实现
代码链接：https://gitcode.com/chenbb1989/3DAlgorithm/blob/master/CBB3DAlgorithm/Fitting/chebyshev/LineFitter.cpp
拟合代码
// 凸包旋转卡壳算法
namespace Chebyshev {
using namespace std;
const int M = 1e6 + 10;
const double eps = 1e-6;
using Point = Eigen::Vector2d;
double operator^ (const Point & p1, const Point &p2) {
return p1.x()* p2.y() - p1.y() * p2.x();
}
Point points[M];
Point lowPoint;
int st[M], top;
bool cmp(Point p1, Point p2) {
p1 = p1 - lowPoint;
p2 = p2 - lowPoint;
double xmult = p1^p2; // 求叉积
if (abs(xmult)>eps) {
return xmult > 0;
}
return p1.norm() < p2.norm();
}
void graham(int n) {
lowPoint = points[0];
for (int j = 0; j < n; ++j) {
if (points[j].y() < lowPoint.y() || (points[j].y() == lowPoint.y() && points[j].x() < lowPoint.x())) lowPoint = points[j];
}
sort(points, points + n, cmp);
top = 2;
st[0] = 0;
st[1] = 1;
for (int i = 2; i < n; ++i) {
while (top > 2 && ((points[st[top - 1]] - points[st[top - 2]]) ^ (points[i] - points[st[top - 1]])) <= eps)top--;
st[top++] = i;
}
}
double rotate(Fitting::Line2D & line) {
double err = -1;
st[top] = st[0]; // 将第一点连接后最后，作为最后一条边的终点
int up = 1;
for (int i = 0; i < top; ++i) {
Point bottom = points[st[i + 1]] - points[st[i]];
bottom.normalize();
// 以i, i+1 线段为底
// 查看顶部最高点, 发现下一个点比当前点高，就+1
while (abs(bottom ^ (points[st[up]] - points[st[i]])) < abs(bottom ^ (points[st[up + 1]] - points[st[i]]))) up = (up + 1) % top;
double d = abs((points[st[up]] - points[st[i]]) ^ bottom);
if (err < 0 || d < err) {
err = d;
line.BasePoint = points[st[up]] + points[st[i]];
line.BasePoint /= 2;
line.Orient = bottom;
}
}
return err;
}
double ConvexRotateFitting(const std::vector<Eigen::Vector3d>& point3ds, Fitting::Line2D& line)
{
for (int i = 0; i < point3ds.size(); ++i) points[i] = Point(point3ds[i].x(), point3ds[i].y());
graham(point3ds.size());
double err = rotate(line);
return err;
}
}
测试结果
https://gitcode.com/chenbb1989/3DAlgorithm/blob/master/CBB3DAlgorithm/Fitting/chebyshev/chebyshev-testdata/officialtest/fitting_result/result.txt
C01 : LINE_2D : pass
C02 : LINE_2D : pass
C03 : LINE_2D : pass
C04 : LINE_2D : pass
C05 : LINE_2D : pass
C06 : LINE_2D : pass
C07 : LINE_2D : pass
C08 : LINE_2D : pass
线性规划迭代法
化整为零
设 a = ( x 0 , y 0 , a , b ) , d i = F ( x i ; a ) , 引入 Γ ＝ M A X i = 1 n d i 设a=(x_0, y_0, a, b), d_i=F(x_i;\ a), 引入\Gamma＝\overset n{\underset {i=1}{MAX}}\;d_i 设a=(x0,y0,a,b),di=F(xi; a),引入Γ＝i=1MAXndi
根据上述定义，可以将原来的最值问题转化为下述条件
对于所有点应该满足
F ( x i ; a ) ≤ Γ , ( F ( x i ; a ) > 0 ) F(x_i;\ a)\le \Gamma, (F(x_i;\ a)>0) F(xi; a)≤Γ,(F(xi; a)>0)
− F ( x i ; a ) ≤ Γ , ( F ( x i ; a ) < 0 ) -F(x_i;\ a)\le \Gamma, (F(x_i;\ a)<0) −F(xi; a)≤Γ,(F(xi; a)<0)
我们可以通过小量迭代慢慢减小Γ
增量基本原理
设 a = ( a 0 , a 1 , . . . , a n ) 、 Γ 是待求解变量， a ^ , Γ ^ 是初始给定值， a = a ^ + Δ a , Γ = Γ ^ − Δ Γ . Δ a 、 Δ Γ 是我们每次迭代后移动的量 设 a=(a_0, a_1,...,a_n)、\Gamma 是待求解变量，\widehat {a}, \widehat {\Gamma} 是初始给定值，a = \widehat {a} +\Delta a, \Gamma = \widehat {\Gamma} -\Delta \Gamma. \ \Delta a、 \Delta \Gamma 是我们每次迭代后移动的量 设a=(a0,a1,...,an)、Γ是待求解变量，a ,Γ 是初始给定值，a=a +Δa,Γ=Γ −ΔΓ. Δa、ΔΓ是我们每次迭代后移动的量
定义距离函数为 F ( x , a ) , d i = F ( x i , a ) , 进行泰勒 1 阶展开， F ( x , a ) ＝ F ( x , a ^ ) + ∂ F ∂ a ^ Δ a = F ( x , a ^ ) + J Δ a 定义距离函数为 F(x, a), d_i = F(x_i, a), 进行泰勒1阶展开， F(x, a) ＝ F(x, \widehat a) + \frac {\partial F}{\partial \widehat a}\Delta a = F(x, \widehat a) + J\Delta a 定义距离函数为F(x,a),di=F(xi,a),进行泰勒1阶展开，F(x,a)＝F(x,a )+∂a ∂FΔa=F(x,a )+JΔa
每次迭代，其实就是希望通过调整 Δ a , Δ Γ ≥ 0 使得 F ( x , a ^ ) + J Δ a ≤ Γ ^ − Δ Γ . 每次迭代，其实就是希望通过调整\Delta a, \Delta \Gamma\ge0 使得 F(x, \widehat a) + J\Delta a \le \widehat {\Gamma} -\Delta \Gamma. 每次迭代，其实就是希望通过调整Δa,ΔΓ≥0使得F(x,a )+JΔa≤Γ −ΔΓ.
J = [ ∂ F ( x 0 , a ^ ) ∂ a 0 ∂ F ( x 0 , a ^ ) ∂ a 1 . . . ∂ F ( x 0 , a ^ ) ∂ a n ∂ F ( x 1 , a ^ ) ∂ a 0 ∂ F ( x 1 , a ^ ) ∂ a 1 . . . ∂ F ( x 1 , a ^ ) ∂ a n . . . . . . . . . . . . ∂ F ( x n , a ^ ) ∂ a 0 ∂ F ( x n , a ^ ) ∂ a 1 . . . ∂ F ( x n , a ^ ) ∂ a n ] J = \begin {bmatrix} \frac {\partial F(x_0, \widehat {a})} {\partial a_0} & \frac {\partial F(x_0, \widehat {a})} {\partial a_1} & ...& \frac {\partial F(x_0, \widehat {a})} {\partial a_n} \\ \\ \frac {\partial F(x_1, \widehat {a})} {\partial a_0} & \frac {\partial F(x_1, \widehat {a})} {\partial a_1} & ...& \frac {\partial F(x_1, \widehat {a})} {\partial a_n} \\\\ ... & ... & ...& ... \\ \\ \frac {\partial F(x_n, \widehat {a})} {\partial a_0} & \frac {\partial F(x_n, \widehat {a})} {\partial a_1} & ...& \frac {\partial F(x_n, \widehat {a})} {\partial a_n} \end {bmatrix} J= ∂a0∂F(x0,a )∂a0∂F(x1,a )...∂a0∂F(xn,a )∂a1∂F(x0,a )∂a1∂F(x1,a )...∂a1∂F(xn,a )............∂an∂F(x0,a )∂an∂F(x1,a )...∂an∂F(xn,a )
F ( x , a ^ ) = [ d 1 d 2 . . . d m ] F(x, \widehat a) = \begin {bmatrix} d_1 \\ d_2 \\... \\ d_m \end {bmatrix} F(x,a )= d1d2...dm
整体问题就转化为线性规划问题
m a x Δ Γ s . t . F ( x i , a ) + J Δ a ≤ Γ − Δ Γ , ( i = 1 , 2... n ) − ( F ( x i , a ) + J Δ a ) ≤ Γ − Δ Γ , ( i = 1 , 2... n ) Δ Γ ≥ 0 \begin {array}{c}max \ \ \ \ \Delta {\Gamma}\\ s.t.\ \ \ F(x_i, a) + J\Delta a \le \Gamma -\Delta \Gamma, (i=1,2...n)\\ \ \ \ \ \ \ \ \ \ -(F(x_i, a) + J\Delta a) \le \Gamma -\Delta \Gamma, (i=1,2...n)\\ \Delta \Gamma \ge0\end{array} max ΔΓs.t. F(xi,a)+JΔa≤Γ−ΔΓ,(i=1,2...n) −(F(xi,a)+JΔa)≤Γ−ΔΓ,(i=1,2...n)ΔΓ≥0
上述条件不需要管
F
(
x
i
,
a
)
+
J
Δ
a
正负情况，若
F
(
x
i
,
a
)
+
J
Δ
a
为正
−
(
F
(
x
i
,
a
)
+
J
Δ
a
)
≤
Γ
−
Δ
Γ
必成立，反之亦然。
上述条件不需要管F(x_i, a) + J\Delta a正负情况，若F(x_i, a) + J\Delta a为正-(F(x_i, a) + J\Delta a) \le \Gamma -\Delta \Gamma必成立，反之亦然。
上述条件不需要管F(xi,a)+JΔa正负情况，若F(xi,a)+JΔa为正−(F(xi,a)+JΔa)≤Γ−ΔΓ必成立，反之亦然。
求解出以后更新a, Γ。
用2个数表示2D直线
如果直接拿4个参数表示直线去做迭代，1是比较麻烦，会出现比较难解的方向，2是法向长度不固定，结果不唯一。
当直线与Y轴偏差比较小的时候可以使用2个参数来表示直线。
如上图，绿线为Y轴，橙色线为X轴。
由于法向与Y轴比较相近，可以设法向为(a, 1), a 是比较小的量。
规定直线上1点需要在以(1, -a)为法向，过0点的平面上。
则有 ax0+y0=0, 只要知道x0可知 y0 = -ax0。
直线拟合模型转化(旋转到接近Y轴后)
将线性规划模型应用于直线拟合
m a x Δ Γ s . t . F ( x i , { x 0 , a } ) + J ⋅ ( Δ x 0 , Δ a ) ≤ Γ − Δ Γ , ( i = 1 , 2... n ) − F ( x i , { x 0 , a } ) − J ⋅ ( Δ x 0 , Δ a ) ≤ Γ − Δ Γ , ( i = 1 , 2... n ) Δ Γ ≥ 0 \begin {array}{c}max \ \ \ \ \Delta {\Gamma}\\ s.t.\ \ \ F(x_i, \{x_0, a\}) + J \cdot (\Delta x_0, \Delta a) \le \Gamma -\Delta \Gamma, (i=1,2...n)\\ -F(x_i, \{x_0, a\}) - J \cdot (\Delta x_0, \Delta a) \le \Gamma -\Delta \Gamma, (i=1,2...n)\\ \Delta \Gamma \ge0\end{array} max ΔΓs.t. F(xi,{x0,a})+J⋅(Δx0,Δa)≤Γ−ΔΓ,(i=1,2...n)−F(xi,{x0,a})−J⋅(Δx0,Δa)≤Γ−ΔΓ,(i=1,2...n)ΔΓ≥0
上述条件还不能直接用单纯形求解，要转化为线性规划点击前往问题
需要对 Δ x 0 , Δ a 拆解，要求变量都要大于等于 0 需要对\Delta x_0, \Delta a 拆解，要求变量都要大于等于0 需要对Δx0,Δa拆解，要求变量都要大于等于0
m a x Δ Γ s . t . J i ⋅ ( Δ x 0 + － Δ x 0 － , Δ a + － Δ a － ) + Δ Γ ≤ Γ － d i , ( i = 1 , 2... n ) − J i ⋅ ( Δ x 0 + － Δ x 0 － , Δ a + － Δ a － ) + Δ Γ ≤ Γ + d i , ( i = 1 , 2... n ) Δ x 0 + , Δ x 0 − , Δ a + , Δ a − , Δ Γ ≥ 0 \begin {array}{c}max \ \ \ \ \Delta {\Gamma}\\ s.t.\ \ \ J_i \cdot (\Delta x_0^+－\Delta x_0^－, \Delta a^+－\Delta a^－) +\Delta \Gamma\\\le \Gamma－d_i, (i=1,2...n)\\ -J_i \cdot (\Delta x_0^+－\Delta x_0^－, \Delta a^+－\Delta a^－) +\Delta \Gamma\\\le \Gamma+d_i, (i=1,2...n)\\ \Delta x_0^+, \Delta x_0^-, \Delta a^+, \Delta a^-,\Delta \Gamma \ge0\end{array} max ΔΓs.t. Ji⋅(Δx0+－Δx0－,Δa+－Δa－)+ΔΓ≤Γ－di,(i=1,2...n)−Ji⋅(Δx0+－Δx0－,Δa+－Δa－)+ΔΓ≤Γ+di,(i=1,2...n)Δx0+,Δx0−,Δa+,Δa−,ΔΓ≥0
算法描述
回顾一下
d i = b ( x i − x 0 ) − a ( y i − y 0 ) = x i , x 0 = 0 , y 0 = 0 , a = 0 , b = 1 d_i= b(x_i-x_0) - a(y_i-y_0)= x_i, x_0=0, y_0=0, a=0, b=1 di=b(xi−x0)−a(yi−y0)=xi,x0=0,y0=0,a=0,b=1
J, D的计算。
J = ∂ d 1 ∂ x 0 ∂ d 1 ∂ a ∂ d 2 ∂ x 0 ∂ d 2 ∂ a . . . . . . ∂ d n ∂ x 0 ∂ d n ∂ a , D = d 1 d 2 . . . d n J= \begin{array}{l} \frac {\partial d_1}{\partial x_0}& \frac {\partial d_1}{\partial a} \\ \frac {\partial d_2}{\partial x_0}& \frac {\partial d_2}{\partial a}\\...&...\\\frac {\partial d_n}{\partial x_0}& \frac {\partial d_n}{\partial a}\\ \end {array}, \ D= \begin{array}{l} d_1\\d_2\\...\\d_n\end {array} J=∂x0∂d1∂x0∂d2...∂x0∂dn∂a∂d1∂a∂d2...∂a∂dn, D=d1d2...dn
2个未知分别对d_i求导结果如下：
∂ d i ∂ x 0 = − b = − 1 \frac {\partial d_i} {\partial x_0}=-b=-1 ∂x0∂di=−b=−1
∂ d i ∂ a = − y i \frac {\partial d_i} {\partial a}=-y_i ∂a∂di=−yi
一次迭代过程
-
确定直线初值
-
将中轴通过刚体变换U至Z轴，U的构建可以参考代码
[ x i y i ] = U ⋅ ( [ x i y i ] − [ x 0 y 0 ] ) \begin {bmatrix}x_i \\ y_i \end {bmatrix} = U \cdot \left (\begin {bmatrix}x_i \\ y_i \\ \end {bmatrix}- \begin{bmatrix}x_0 \\ y_0 \end {bmatrix}\right ) [xiyi]=U⋅([xiyi]−[x0y0]) -
根据上述公式构建线性规划方程
-
求解 Δ p \Delta p Δp
-
更新解
[ x 0 y 0 ] = [ x 0 y 0 ] + U T ⋅ [ p x 0 − p a p x 0 ] [ a b ] = U T ⋅ [ p a 1 ] . n o r m a l i z e ( ) Γ = Γ − Δ Γ \begin {array}{l}\\ \begin {bmatrix}x_0 \\ y_0 \end {bmatrix} = \begin {bmatrix}x_0 \\ y_0 \end {bmatrix} + U^T \cdot \begin{bmatrix}p_{x_0} \\ -p_ap_{x_0}\end {bmatrix} \\ \\\begin {bmatrix}a \\ b \end {bmatrix} = U^T \cdot \begin{bmatrix}p_a \\ 1 \end {bmatrix}.normalize() \\\\ \Gamma=\Gamma-\Delta \Gamma \end {array} [x0y0]=[x0y0]+UT⋅[px0−papx0][ab]=UT⋅[pa1].normalize()Γ=Γ−ΔΓ -
重复2直到收敛
最后，输出时F=2*Γ
初值确定
枚举所有两点确定直线，直线度误差最小的作为结果。
代码实现
代码链接：https://gitcode.com/chenbb1989/3DAlgorithm/blob/master/CBB3DAlgorithm/Fitting/chebyshev/LineFitter.cpp
拟合代码
namespace Chebyshev {
double LineFitter::F(Fitting::Line2D line, const Point& p)
{
auto de = Eigen::Vector2d(p.x(), p.y()) - line.BasePoint;
return abs(de.x() * line.Orient.y() - de.y() * line.Orient.x());
}
double LineFitter::GetError(Fitting::Line2D line, const std::vector<Eigen::Vector3d>& points)
{
double err = 0;
for (auto& p : points) {
err = std::max(err, F(line, p));
}
return err;
}
Fitting::Matrix LineFitter::Jacobi(const std::vector<Eigen::Vector3d>& points)
{
Fitting::Matrix J(points.size(), 2);
for (int i = 0; i < points.size(); ++i) {
auto& p = points[i];
J(i, 0) = -1;
J(i, 1) = -p.y();
}
return J;
}
void LineFitter::beforHook(const std::vector<Eigen::Vector3d>& points)
{
U.setIdentity();
U(0, 0) = line.Orient.y();
U(0, 1) = -line.Orient.x();
U(1, 0) = line.Orient.x();
U(1, 1) = line.Orient.y();
Point kBasePt(line.BasePoint.x(), line.BasePoint.y(), 0);
for (int i = 0; i < points.size(); ++i)transPoints[i] = U * (points[i] - kBasePt);
}
void LineFitter::afterHook(const Eigen::VectorXd& xp)
{
Point bp = U.transpose() * Point(xp(0), -xp(0) * xp(1), 0);
line.BasePoint += Eigen::Vector2d(bp.x(), bp.y());
bp = U.transpose() * Point(xp(1), 1, 0).normalized();
line.Orient = Eigen::Vector2d(bp.x(), bp.y());
gamma -= xp(2);
}
Eigen::VectorXd LineFitter::getDArray(const std::vector<Eigen::Vector3d>& points)
{
Eigen::VectorXd D(points.size());
for (int i = 0; i < points.size(); ++i)D(i) = points[i].x();
return D;
}
bool LineFitter::GetInitFit(const std::vector<Eigen::Vector3d>& points)
{
if (points.size() < 2)return false;
gamma = -1;
// 枚举任意两点，选取误差最小的直线
for (int i = 0; i < points.size(); ++i) {
for (int j = i + 1; j < points.size(); ++j) {
Fitting::Line2D tline;
tline.BasePoint = { points[i].x(), points[i].y() };
tline.Orient = { points[i].x() - points[j].x(), points[i].y() - points[j].y() };
tline.Orient.normalize();
double err = GetError(tline, points);
if (gamma < 0 || err < gamma) {
gamma = err;
line = tline;
}
}
}
return true;
}
double LineFitter::F(const Eigen::Vector3d& p)
{
return Chebyshev::LineFitter::F(line, p);
}
double LineFitter::GetError(const std::vector<Eigen::Vector3d>& points)
{
return Chebyshev::LineFitter::GetError(line, points);
}
void LineFitter::Copy(void* ele)
{
memcpy(ele, &line, sizeof(Fitting::Line2D));
}
LineFitter::LineFitter()
{
ft = Fitting::FittingType::CHEBYSHEV;
}
}
测试代码
void TestAllCase() {
string caseDir = "D:/selfad/alg_and_graph/3DAlgorithm/CBB3DAlgorithm/Fitting/chebyshev/chebyshev-testdata/officialtest/";
FILE* caseList = fopen((caseDir+"data/kind.txt").c_str(), "r");
char baseID[100], kind[100];
FILE* testResult = fopen((caseDir + "fitting_result/result.txt").c_str(), "w");
while (fscanf(caseList, "%s", baseID) != EOF) {
strcpy(kind, baseID + 4);
baseID[3] = 0;
/*puts(baseID);
puts(kind);*/
Fitting::TestBase* testLogic = getTestObj(kind);
if (testLogic == NULL)continue;
fprintf(testResult, "%s : %s : ", baseID, kind);
printf("%s : %s : ", baseID, kind);
testLogic->SetFile(caseDir, baseID);
testLogic->readPoints();
testLogic->Fitting();
FILE* ansfp = fopen((caseDir + "fitting_result/" + baseID + ".txt").c_str(), "w");
testLogic->SaveAnswer(ansfp);
fprintf(testResult, "%s\n", testLogic->JudgeAnswer(NULL)?"pass":"failed");
printf("%s\n", testLogic->JudgeAnswer(NULL)?"pass":"failed");
fclose(ansfp);
delete testLogic;
}
fclose(caseList);
fclose(testResult);
puts("TEST COMPLETE");
}
测试结果
https://gitcode.com/chenbb1989/3DAlgorithm/blob/master/CBB3DAlgorithm/Fitting/chebyshev/chebyshev-testdata/officialtest/fitting_result/result.txt
C01 : LINE_2D : pass
C02 : LINE_2D : pass
C03 : LINE_2D : pass
C04 : LINE_2D : pass
C05 : LINE_2D : pass
C06 : LINE_2D : pass
C07 : LINE_2D : pass
C08 : LINE_2D : pass
本人码农，希望通过自己的分享，让大家更容易学懂计算机知识。创作不易，帮忙点击公众号的链接。
1929
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
