基于几何距离的椭圆拟合

问题

给定离散点集$X_i=(x_i,y_i)$，我们希望找到最好的椭圆去拟合这些离散点。

方法

通常我们使用最小二乘法求解如下的最优化问题：

$$Min\sum _{i=1}^{N}f(x_i,E{)}^2$$
这里$f(x_i,E)$表示点$x_i$到E（指待拟合的椭圆）的最小距离。

通常我们有两种方法来表达$f(x_i,E)$，分别是：几何距离和代数距离。前面我们已经描述了基于代数距离的椭圆拟合，下面我们将重点介绍基于几何距离的椭圆拟合方法，这种方法也是椭圆拟合方法中最鲁棒、精度最高的拟合方法。

我们主要参考论文《Least-squares orthogonal distances fitting of circle,
sphere, ellipse, hyperbola, and parabola》。

论文的核心思路

显然，由于离散点到椭圆的几何距离是非线性的，因此椭圆拟合是一种非线性优化的问题，需要通过多次迭代求解。

因此下面我们阐述论文的思路时，将分成两个片段来讲解。第一段，主要介绍基于高斯-牛顿法的非线性优化方法。第二段，具体介绍这种方法在椭圆拟合中的应用。

非线性最小二乘拟合

问题

考虑一般的非线性最小二乘问题如下：
$$\underset{a}{\min }||X-F(a)|{|}^2（1）$$
这里$a\in R^q$为优化参数，F为非线性函数，$X\in R^p$是已知向量。如下我们给出基于梯度的迭代公式：
$$a_{k+1}=a_k+\lambda A{J}_F^T(X-F(a_k))（2）$$
这里$\lambda$为步长，A为缩放因子，J_F为F在当前参数a下的Jacobian矩阵。

各种优化方法不同，主要是A的选择不同。具体如下：

• 当$A=H^{-1}$时，为牛顿迭代法。
• 当$A=(J_F^T{J}_F{)}^{-1}$时，为高斯-牛顿迭代法。
• 当$A=I$时，为梯度下降法。
  这里我们选择使用高斯-牛顿迭代法。

我们将A带入（2）,即可以改写为：
$$\{\begin{array}{c}{a}_{k+1}=a_k+\lambda \Delta a(3)\\ J_F\Delta a=X-F(a_k)(4)\end{array}$$
这里$J_F=(\frac{\partial F_i}{\partial a_j}),i=1,2,...,p,j=1,2,...,q$
并且，我们根据（1）可以写出迭代算法的性能表现指数，其实就是参差的表达式：
$${\sigma }_0^2=||X-F(a)|{|}^2=[X-F(a){]}^T$$