简介
之前做直线拟合时，自己写了一个利用最小二乘做直线拟合的程序，但是由于直线检测的误差比较大，拟合的效果并不好。个人不知道是什么原因，因此想尝试更改一下直线拟合的算法，后来找到了OpenCV中的fitline函数，也是一个距离最小化函数，它完全包含了最小二乘法。由于网上没有找到相关的与python有关的资源，这里总结如下。
1. 函数调用
python3中fitline函数的调用形式如下：
import cv2 output = cv2.fitLine(InputArray points, distType, param, reps, aeps) 参数定义：
a. 输入参数：
InputArray Points: 待拟合的直线的集合，必须是矩阵形式；
distType: 距离类型。fitline为距离最小化函数，拟合直线时，要使输入点到拟合直线的距离和最小化。这里的 距离的类型有以下几种：
param： 距离参数，跟所选的距离类型有关，值可以设置为0。
reps, aeps： 第5/6个参数用于表示拟合直线所需要的径向和角度精度，通常情况下两个值均被设定为1e-2.
b. 输出结果：
output ： 对于二维直线，输出output为4维，前两维代表拟合出的直线的方向，后两位代表直线上的一点。（即通常说的点斜式直线）
备注：
函数说明部分参考C++中 cv:: fitLine()介绍。
2. 实例程序
功能： 实现几条直线的直线拟合，输出为拟合后直线点的斜率k和偏移b.
代码：
def Cal_kb_linear_fitline(data_line1): loc = [] # 坐标 for line in data_line1: x1, y1, x2, y2 = line[0] loc.append([x1,y1]) loc.append([x2,y2]) loc = np.array(loc) # loc 必须为矩阵形式，且表示[x,y]坐标 output = cv2.fitLine(loc, cv2.DIST_L2, 0, 0.01, 0.01) k = output[1] / output[0] b = output[3] - k[key] * output[2] return k,b 这里，data_line1 表示直线检测出的直线的数据。
若只是想实现几个点坐标的直线拟合，把第3-8行去掉并把参数输入改为loc即可。
3. RLS直线拟合（不用fitline函数）
简介中提过，在用fitline函数之前，实现了N条直线的最小二乘直线拟合，同样展示程序如下：
def Cal_kb_linear(data_line1): X_line,Y_line = XY_line2Classifier_line(data_line1) r = leastsq(residuals, [1, 0], args=(X_line, Y_line)) # scipy.optimize.leastsq k, b = r[0] # 最小二乘直线拟合的斜率和偏移 return k,b # 输出直线的X/Y坐标 def XY_line2Classifier_line(data_line1): X_line = [] # 存放分为同一类的直线的所有的x坐标 Y_line = [] # 存放分为同一类的直线的所有的y坐标 for line in data_line1: x1, y1, x2, y2 = line[0] X_line.append(x1), X_line.append(x2) Y_line.append(y1), Y_line.append(y2) X_line = np.array(X_line) Y_line = np.array(Y_line) return X_line,Y_line # 直线拟合残差计算 def residuals(p, x, y_): k, b = p return y_ - (k * x + b) 备注：
注意，这里是N条直线的直线拟合，拟合思路为提取N条直线的坐标点，然后进行点的直线拟合。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/207654.html原文链接：https://javaforall.net
