https://blog.csdn.net/ogebgvictor/article/details/125359704接上一篇“用RANSAC算法实现干扰严重的直线拟合”， 上一篇的末尾没有说是如何求点线距离的。今天补充一下。首先说明，上一篇的代码里面实际上是先求点A到直线的垂线与该直线的交点B，然后求AB两点的距离，就是直线距离。这个方法其实是绕远了，完全没必要这么算。
如下图，求C点到直线的距离，CE与直线垂直，E就是C到直线的垂线的交点，CE的长度就是C点到直线的距离。但是我们实际上并不需要去求出这个交点，现在由C点做一个垂直于x轴的线与直线相交于D（其实就是直接把C点的x坐标带到直线方程中，求到的y就是D点的y坐标，而D点的x坐标跟C的x坐标是一样的），就会发现CE=CD乘cos(θ)，而θ就是直线的倾角。
直线方程有两种形式：
形式1.y=ax+b，a=tan(θ)，当然我们不需要先由a求θ=arctan(θ)，再求cos(θ) 。而是直接由下式计算出
原因很简单啦，如下图cos(θ)可不就是1除以斜边
形式2.公式如下，斜率就是vy/vx啦
cos(θ)由下式求出，跟上面其实是一样的。
接下来上代码，先给出第一版代码，这里叫get_distance_line_and_p_batch1是区别于上一篇文章里用的get_distance_line_and_p_batch，并且get_distance_line_and_p_batch还返回了交点的坐标，所以这里为了保持一致，多返回了两个0。
def get_distance_line_and_p_batch1(vx, vy, p0, p1_list):
cos_theta = vx / math.sqrt(vx ** 2 + vy ** 2) # 求cos(θ)
p1_list = p1_list.tolist()
# y = (x - x0) * vy / vx + y0就是直线方程啦，把点集p1_list的每一个点的x坐标值代入，就求得了其垂线（垂直于x轴）在直线上的点的y坐标了
p2_y_list = [(x - p0[0]) * vy / vx + p0[1] for x, y in p1_list]
# 然后就是按照图示的方法由y坐标的差值乘以余弦值得到点到直线的距离了
distance_list = [abs((p1[1] - y2) * cos_theta) for p1, y2 in zip(p1_list, p2_y_list)]
distance_array = np.array(distance_list)
return distance_array, 0, 0并且调用的地方要改一下函数名，这里就先不上代码了。
耗时0.02秒。不对啊，之前那个繁琐的方法只耗了0.009秒，现在改的简单了，怎么还耗时更多了？（接下来会尝试几种不同的情况，目的是为了分享一下python里面到底怎么充分利用numpy来加快运行速度，嫌啰嗦的可以直接滑过~~）
可能会怀疑上面那个p1_list.tolist()浪费时间了，每次都tolist了一下，其实它花不了多少时间。
我们可以给它加个耗时检测
会发现它耗时极短，不过这里总共花了0.03秒，又多了一点，是因为print是耗时的~~
接下来再分享一个可能经常犯错的地方，比如像下面这样，我不用p1_list.tolist()，p1_list本身是一个numpy的ndarray，它也是可以遍历的麻，那我直接遍历它不就得了，所以我把p1_list.tolist()注释掉了，上代码。
def get_distance_line_and_p_batch1(vx, vy, p0, p1_list):
cos_theta = vx / math.sqrt(vx ** 2 + vy ** 2) # 求cos(θ)
# p1_list = p1_list.tolist()
# y = (x - x0) * vy / vx + y0就是直线方程啦，把点集p1_list的每一个点的x坐标值代入，就求得了其垂线（垂直于x轴）在直线上的点的y坐标了
p2_y_list = [(x - p0[0]) * vy / vx + p0[1] for x, y in p1_list]
# 然后就是按照图示的方法由y坐标的差值乘以余弦值得到点到直线的距离了
distance_list = [abs((p1[1] - y2) * cos_theta) for p1, y2 in zip(p1_list, p2_y_list)]
distance_array = np.array(distance_list)
return distance_array, 0, 0也是可以运行的哦，这次变的更慢了！（这次是没有print的），上次那个还0.02秒，现在变0.03秒了，所以要注意，不要随便去遍历numpy的数组，numpy的数组最好是用批量操作。或者要么就转成list再遍历。总体的运行时间是：numpy批操作<list遍历<numpy遍历
既然说到numpy批操作是最快的，那么接下来就改为直接用numpy的批操作了，上代码，遍历的代码都注释掉了，放在这里只是为了说明它们的含义，替换它们的只有一行，只有一行。就不多说了，这一行代码干的事情跟之前是一样的。提一句，p1_list[:, 0] - p0[0]这个其实是用到了广播机制，这是实现批操作的常用技俩~~
def get_distance_line_and_p_batch1(vx, vy, p0, p1_list):
cos_theta = vx / math.sqrt(vx ** 2 + vy ** 2) # 求cos(θ)
# p1_list = p1_list.tolist()
# # y = (x - x0) * vy / vx + y0就是直线方程啦，把点集p1_list的每一个点的x坐标值代入，就求得了其垂线（垂直于x轴）在直线上的点的y坐标了
# p2_y_list = [(x - p0[0]) * vy / vx + p0[1] for x, y in p1_list]
#
# # 然后就是按照图示的方法由y坐标的差值乘以余弦值得到点到直线的距离了
# distance_list = [abs((p1[1] - y2) * cos_theta) for p1, y2 in zip(p1_list, p2_y_list)]
# distance_array = np.array(distance_list)
distance_array = abs((p1_list[:, 0] - p0[0]) * vy / vx + p0[1] - p1_list[:, 1]) * cos_theta
return distance_array, 0, 0 上效果图，这0秒。。。不知道今天是咋了，可能时间太短统计的不准了，昨天我试的还是0.009秒，总之跟之前那个先求点到直线的垂线交点，再求点和交点的长度的办法相比，速度起码是原来的10倍！
最后上一个完整代码
import cv2 as cv
import numpy as np
import math
import time
def get_distance_line_and_p_batch1(vx, vy, p0, p1_list):
cos_theta = vx / math.sqrt(vx ** 2 + vy ** 2) # 求cos(θ)
# p1_list = p1_list.tolist()
# # y = (x - x0) * vy / vx + y0就是直线方程啦，把点集p1_list的每一个点的x坐标值代入，就求得了其垂线（垂直于x轴）在直线上的点的y坐标了
# p2_y_list = [(x - p0[0]) * vy / vx + p0[1] for x, y in p1_list]
#
# # 然后就是按照图示的方法由y坐标的差值乘以余弦值得到点到直线的距离了
# distance_list = [abs((p1[1] - y2) * cos_theta) for p1, y2 in zip(p1_list, p2_y_list)]
# distance_array = np.array(distance_list)
distance_array = abs((p1_list[:, 0] - p0[0]) * vy / vx + p0[1] - p1_list[:, 1]) * cos_theta
return distance_array, 0, 0
def get_distance_line_and_p_batch(vx, vy, p0, p1_list):
"""
求点到直线距离
:param vx:
:param vy:
:param p0: 线上点
:param p1: 线外点
:return:
"""
# print("vx = {}, vy = {}, p0 = {}, p1 = {}".format(vx, vy, p0, p1))
x0, y0 = p0
B0 = [vy * x0 - vx * y0] * len(p1_list)
B1 = [vx * p1[0] + vy * p1[1] for p1 in p1_list]
A = np.array([[vy, -vx], [vx, vy]], dtype=np.float32)
B = np.array([B0, B1], dtype=np.float32)
ret, X = cv.solve(A, B, flags=cv.DECOMP_LU)
x2 = X[0, :]
y2 = X[1, :]
x1 = np.array([p1[0] for p1 in p1_list], dtype=np.float32)
y1 = np.array([p1[1] for p1 in p1_list], dtype=np.float32)
return ((x2 - x1) ** 2 + (y2 - y1) ** 2) ** 0.5, x2, y2
def fitline_ransac(pts, distance, confidence, correct_rate, fit_use_num=2):
"""
拟合直线
:param pts:
:param distance:
:param confidence: 置信度
:param correct_rate: 估计局内项所占比率
:param fit_use_num: 一次拟合所用点数
:return:
"""
iter_num = int(math.log(1 - confidence, 1 - correct_rate ** fit_use_num))
pts = np.float32(pts)
pts_list = pts.tolist()
print("iter_num = {}".format(iter_num))
inliers = None
inliers_num = 0
for i in range(iter_num):
tmp_pts = pts[np.random.choice(pts.shape[0], fit_use_num)]
tmp_vx, tmp_vy, tmp_x, tmp_y = cv.fitLine(tmp_pts, cv.DIST_L2, 0, 0.01, 0.01)
tmp_vx = tmp_vx[0]
tmp_vy = tmp_vy[0]
tmp_x = tmp_x[0]
tmp_y = tmp_y[0]
# tmp_distance, _, _ = get_distance_line_and_p_batch(tmp_vx, tmp_vy, (tmp_x, tmp_y), pts)
tmp_distance, _, _ = get_distance_line_and_p_batch1(tmp_vx, tmp_vy, (tmp_x, tmp_y), pts)
tmp_inliers = np.uint8(tmp_distance <= distance) # 小于等于阈值的就是局内项
tmp_inliers_num = np.sum(tmp_inliers)
if inliers_num < tmp_inliers_num: # 如果当前这次抽样的局内项更大，那就采用当前这一次
inliers_num = tmp_inliers_num
inliers = tmp_inliers
# 之前两个点的拟合只是为了排除局外项，再用所有局内项拟合一次，结果更精确
tmp_pts = pts[inliers > 0]
vx, vy, x, y = cv.fitLine(tmp_pts, cv.DIST_L2, 0, 0.01, 0.01)
print("total_num = {}, inliers_num = {}".format(pts.shape[0], inliers_num))
return vx, vy, x, y
src = None
xb = None
yb = None
vx = None
vy = None
draw_mode = 0
def fitline_callback(event, x, y, flags, param):
global xb, yb, src, draw_mode, vx, vy
if xb == x or yb == y:
return
# 模式0：画直线，模式1：橡皮擦，点一下擦个圆，模式2：直线拟合
if event == cv.EVENT_MBUTTONDOWN:
draw_mode += 1
draw_mode %= 3
return
if draw_mode == 0:
if event == cv.EVENT_LBUTTONDOWN:
xb = x
yb = y
elif event == cv.EVENT_LBUTTONUP:
cv.line(src, (xb, yb), (x, y), (255, 0, 0), 1, cv.LINE_AA)
cv.imshow('src', src)
elif draw_mode == 1:
if event == cv.EVENT_LBUTTONDOWN:
cv.circle(src, (x, y), 5, (0, 0, 0), -1, cv.LINE_AA)
cv.imshow('src', src)
elif draw_mode == 2:
if event == cv.EVENT_LBUTTONDOWN:
src_test = np.copy(src)
gray = cv.cvtColor(src_test, cv.COLOR_BGR2GRAY)
# 这边就是获得图上像素值不为0的点集坐标，为啥是::-1？因为行号是y坐标，列数是x坐标，得倒过来才行啦。
# x，y是分开的，所以得用dstack把它们拼起来，这个跟torch.cat差不多哦，不明白的话可以看我的上一篇博客~~
pts = np.dstack(np.where(gray > 0)[::-1]).reshape(-1, 2)
start_time = time.time()
vx, vy, x, y = cv.fitLine(pts, cv.DIST_L2, 0, 0.01, 0.01)
end_time = time.time()
print("耗时{}秒".format((end_time - start_time)))
lefty = int((-x * vy / vx) + y) # 这个就是x=0时，y是多少
righty = int(((src.shape[1] - x) * vy / vx) + y) # 这个是x等于图像宽度时，y是多少，参考我上面那个直线方程的图就明白了
cv.line(src_test, (src.shape[1] - 1, righty), (0, lefty), (0, 255, 0), 1, cv.LINE_AA)
cv.imshow('src_test', src_test)
src_test = np.copy(src)
start_time = time.time()
vx, vy, x, y = fitline_ransac(pts, 2, 0.98, 0.6, 2)
end_time = time.time()
print("耗时{}秒".format((end_time - start_time)))
lefty = int((-x * vy / vx) + y)
righty = int(((src.shape[1] - x) * vy / vx) + y)
cv.line(src_test, (src.shape[1] - 1, righty), (0, lefty), (0, 255, 0), 1, cv.LINE_AA)
cv.imshow('src_test1', src_test)
def fitline_test():
global src
src = np.zeros((500, 800, 3), dtype=np.uint8)
cv.namedWindow('src', cv.WINDOW_AUTOSIZE)
cv.imshow('src', src)
cv.setMouseCallback('src', fitline_callback, None)
cv.waitKey(0)
cv.destroyAllWindows()
if __name__ == '__main__':
fitline_test()
时间不早了，求点到直线的垂线交点的就先不详述了，反正也不应该用它来求点到直线的距离啦，如果感兴趣的话，下次再水一期：求点到直线的垂线交点~~
扫一扫
6865
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
