拟合算法之一直线拟合

直线拟合

很早就想学习拟合了，经常听同事用到拟合，当时尚且一窍不通，必须快递加急紧追此处才是，也参考了网上大佬的一些宝贵经验，先将拟合方法总结如下：

最小二乘法

1.原理

2.举例实现

void fitline3(){float b = 0.0f, k=0.0f;vector<Point>points;points.push_back(Point(27, 39));points.push_back(Point(8, 5));points.push_back(Point(8, 9));points.push_back(Point(16, 22));points.push_back(Point(44, 71));points.push_back(Point(35, 44));points.push_back(Point(43, 57));points.push_back(Point(19, 24));points.push_back(Point(27, 39));points.push_back(Point(37, 52));Mat src = Mat::zeros(400, 400, CV_8UC3);for (int i = 0; i < points.size(); i++){//在原图上画出点circle(src, points[i], 3, Scalar(0, 255, 0), 1, 8);}int n = points.size();double xx_sum = 0;double x_sum = 0;double y_sum = 0;double xy_sum = 0;for (int i = 0; i < n; i++){x_sum += points[i].x; //x的累加和y_sum += points[i].y; //y的累加和xx_sum += points[i].x * points[i].x; //x的平方累加和xy_sum += points[i].x * points[i].y; //x，y的累加和}k = (n*xy_sum - x_sum * y_sum) / (n*xx_sum - x_sum * x_sum); //根据公式求解kb = (-x_sum * xy_sum + xx_sum*y_sum) / (n*xx_sum - x_sum * x_sum);//根据公式求解bprintf("k = %f, b = %f\n", k, b); //k = 1.555569, b = -4.867031cv::Point first = { 5, int(k * 5 + b) }, second = { int((400 - b) / k), 400 };cv::line(src, first, second, cv::Scalar(0, 0, 255), 2);cv::imshow("name", src);cv::waitKey(0);
}

上面求解出来的结果是k = 1.555569, b = -4.867031。
图像显示结果为：

3.使用opencv自带的函数求解k和b值

void fitline1()
{vector<Point>points;//(27 39) (8 5) (8 9) (16 22) (44 71) (35 44) (43 57) (19 24) (27 39) (37 52)points.push_back(Point(27, 39));points.push_back(Point(8, 5));points.push_back(Point(8, 9));points.push_back(Point(16, 22));points.push_back(Point(44, 71));points.push_back(Point(35, 44));points.push_back(Point(43, 57));points.push_back(Point(19, 24));points.push_back(Point(27, 39));points.push_back(Point(37, 52));Mat src = Mat::zeros(400, 400, CV_8UC3);for(int i=0;i<points.size();i++){cicle(src,points[i],3,Scalar(0,0,255),1,8);}//构建A矩阵int N=2;Mat A=Mat::zeros(N,N,CV_64FC1);for (int row = 0; row < A.rows; row++){for (int col = 0; col < A.cols; col++){for (int k = 0; k < points.size(); k++){A.at<double>(row, col) = A.at<double>(row, col) + pow(points[k].x, row + col);}}}
//构建B矩阵Mat B = Mat::zeros(N, 1, CV_64FC1);for (int row = 0; row < B.rows; row++){for (int k = 0; k < points.size(); k++){B.at<double>(row, 0) = B.at<double>(row, 0) + pow(points[k].x, row)*points[k].y;}}//A*X=BMat X;//cout << A << endl << B << endl;solve(A, B, X, DECOMP_LU);cout << X << endl;vector<Point>lines;for (int x = 0; x < src.size().width; x++){             // y = b + ax;double y = X.at<double>(0, 0) + X.at<double>(1, 0)*x; //b = -4.867031, k = 1.555569,printf("b = %f, k = %f, (%d,%lf)\n", X.at<double>(0, 0), X.at<double>(1, 0), x, y);lines.push_back(Point(x, y));}polylines(src, lines, false, Scalar(255, 0, 0), 1, 8);imshow("src", src);//imshow("src", A);waitKey(0);
}

梯度下降法

1.原理

2.举例实现

//梯度下降法进行线性拟合
// y = theta0 * x + theta1
void fitline4(){const int m = 10;double Train_set_x[m] = { 27, 8, 8, 16, 44, 35, 43, 19, 27, 37 };double Train_set_y[m] = { 39, 5, 9, 22, 71, 44, 57, 24, 39, 52 };//alpha是学习率，error是结束误差，theta0就是k，theta1就是b。double theta0 = 0.0, theta1 = 0.0, alpha = 0.002, error = 1e-8; double tmp_theta0 = theta0, tmp_theta1 = theta1;double sum_theta0 = 0.0, sum_theta1 = 0.0;while (1){sum_theta0 = 0.0, sum_theta1 = 0.0;for (size_t i = 0; i < m; i++) {sum_theta0 += (theta0 * Train_set_x[i] + theta1 - Train_set_y[i])*Train_set_x[i]; sum_theta1 += (theta0 * Train_set_x[i] + theta1 - Train_set_y[i]);  //累加和}theta0 = theta0 - alpha * (1.0 / m) * sum_theta0; //k更新公式theta1 = theta1 - alpha * (1.0 / m) * sum_theta1; //b更新公式printf("k=%lf, b=%lf\n", theta0, theta1);if (abs(theta0 - tmp_theta0) < error && abs(theta1 - tmp_theta1) < error){ //break;}tmp_theta0 = theta0;tmp_theta1 = theta1;}
}

结果：

参考：
1.https://blog.csdn.net/stf1065716904/article/details/107594710
2.https://blog.csdn.net/LaplaceSmoothing/article/details/94581854?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultCTRLIST_{default-2.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2}default_CTRLISTdefault-2.no_search_link

拟合算法之一直线拟合相关推荐

RANSAC算法做直线拟合
RANSAC算法之前了解过相关的原理,这两天利用晚上闲暇的时间,看了一下RANSAC算法的Python代码实现,这方面的资料很多了,这里就不在重复.在分析该RANSAC.py代码之前,想用自己的对RA ...
RANSAC算法实现 + 直线拟合
一.RANSAC算法 1.参考资料 [1]题目来源与解析:商汤科技SLAM算法岗的RANSAC编程题 [2]牛客网题目:[编程题]线性回归 [3]牛客网解答参考:商汤科技某算法岗的编程题有点过分了啊 ...
【拟合专题】直线拟合
闲来无事,整理下拟合方面的一些方法(部分内容参考gloomyfish.Grooveboy等博客,在此先行谢过) 直线拟合方法主流方法有最小二乘.Hough两种,其他如Halcon上的最小距离也是最小二 ...
RANSAC直线拟合和最小二乘直线拟合的简单介绍
RANSAC是"RANdom SAmple Consensus(随机抽样一致)"的缩写.它可以从一组包含"局外点"的观测数据集中,通过迭代方式估计 ...
RANSAC 直线拟合算法
1. 参考文献 RANSAC 直线拟合算法 2. 算法实现 #include <iostream> #include <random> #include <vector& ...
【04】拟合算法：01-拟合算法模型讲解
第四讲:拟合算法插值和拟合的区别一个小例子确定拟合曲线最小二乘法的几何解释求解最小二乘法 Matlab求解最小二乘如何评价拟合的好坏证明SST=SSE+SSR "线性函数&qu ...
直线拟合c语言程序,ax+by+c=0 型直线拟合算法
所谓直线拟合,通常也叫做线性拟合.一元线性回归.指的是当我们有一批数据(xi,yi),这些数据在平面坐标系下落在一条直线上,或近似的落在一条直线上.我们就要求出这条直线的参数.如果这条直线可以写为: ...
【自动驾驶】车道线拟合算法---最小二乘法拟合直线
概览关于自动驾驶车道线拟合算法,常用的方法有B样条.三次样条插值.Ransac.最小二乘法等等. 但是针对于高精度地图的车道线拟合,由于车道线坐标点已知,所以不需要有控制点进行约束,那么B样条.贝塞 ...
RANSAC算法(附RANSAC直线拟合C++与Python版本)
文章目录 RANSAC算法简介 RANSAC算法基本思想和流程迭代次数推导 RANSAC与最小二乘区别 RANSAC直线拟合代码(C++及Python版本) C++版本代码 Python版本代码如下 ...

拟合算法之一直线拟合

直线拟合

最小二乘法

梯度下降法

拟合算法之一直线拟合相关推荐

最新文章

热门文章

拟合算法之一 直线拟合

直线拟合

最小二乘法

梯度下降法

拟合算法之一 直线拟合相关推荐

最新文章

热门文章

拟合算法之一直线拟合

拟合算法之一直线拟合相关推荐