OpenCV 笔记(17)：轮廓的椭圆拟合、直线拟合

1.  椭圆拟合

轮廓的椭圆拟合是指用椭圆来近似轮廓的形状。当这个椭圆的长轴和短轴相等时，它就是一个圆。

椭圆拟合的基本思路是：对于给定平面上的一组样本点，寻找一个椭圆，使其尽可能接近这些样本点。也就是说，将图像中的一组数据以椭圆方程为模型进行拟合，使某一椭圆方程尽量满足这些数据，并求出该椭圆方程的各个参数。

椭圆拟合有以下几种常用方法：

• 最小二乘法：最小二乘法是基于最小化拟合误差的思想，通过迭代的方法求解椭圆参数。该方法的优点是简单易实现，缺点是计算量大，当轮廓点数较多时，容易出现收敛问题。

• 极大似然法：极大似然法是基于概率统计的思想，通过最大化椭圆模型的似然函数求解椭圆参数。该方法的优点是收敛速度快，计算量小，缺点是对初始值敏感。

• 最小距离法：最小距离法是基于最小化样本点到椭圆的距离的思想，通过迭代的方法求解椭圆参数。该方法的优点是计算量小，收敛速度快，缺点是对初始值敏感。

在 OpenCV 提供了三种 fitEllipse()、fitEllipseAMS()、fitEllipseDirect() 函数实现椭圆拟合。

RotatedRect fitEllipse( InputArray points );

RotatedRect fitEllipseAMS( InputArray points );

RotatedRect fitEllipseDirect( InputArray points );

其输出的 RotatedRect 包含了

• 椭圆的中心位置

• 长轴的直径

• 短轴的直径

• 旋转角度

OpenCV 提供的这三个函数还是有一定区别的：

函数	算法	优点	缺点
fitEllipse()	最小二乘法	简单易实现	计算量大，收敛问题
fitEllipseAMS()	改进的最小二乘法	收敛速度快，精度高	计算量略大
fitEllipseDirect()	直接求解	计算量最小	对初始值敏感

在实际应用中，可以根据具体情况选择合适的椭圆拟合函数。如果对拟合精度要求较高，可以使用 fitEllipseAMS() 函数。如果对计算速度要求较高，可以使用 fitEllipseDirect() 函数。

下面的例子展示了找到有效的轮廓后，对这些轮廓进行椭圆拟合。

#include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"

using namespace std;
using namespace cv;

bool ascendSort(vector<Point> a,vector<Point> b)
{
    return contourArea(a) > contourArea(b);
}

int main(int argc, char **argv) {
    Mat src = imread(".../test.jpg");
    im