Ransac拟合椭圆

一、Ransac算法介绍

RANSAC(RAndom SAmple Consensus,随机采样一致)最早是由Fischler和Bolles在SRI上提出用来解决LDP(Location Determination Proble)问题的,该算法是从一组含有“外点”(outliers)的数据中正确估计数学模型参数的迭代算法。“外点”一般指的的数据中的噪声点,比如说匹配中的误匹配和估计曲线中的离群点。除去“外点”后剩下的数据点则为“内点”,即符合拟合模型的数据点。RANSAC算法的主要处理思想就是通过不断的迭代数据点,通过决断条件剔除“外点”,筛选出“内点”,最后将筛选出的全部内点作为好的点集去重新拟合去估计匹配模型。但RANSAC算法具有不稳定性,它只能在一种概率下产生结果,并且这个概率会随着迭代次数的增加而加大。

二、Ransac算法实现示例

这一部分基本上网上代码及讲解都非常多,就不过多讲解了。
附上我在知乎上看到的一篇写的比较完整的一个拟合直线模型示例:

https://zhuanlan.zhihu.com/p/62238520

三、基于pyhton的Ransac拟合椭圆实现

1.Ransac拟合椭圆流程:
①. 找到可能是椭圆的轮廓线,可以使用cv2.findContours去找,返回的轮廓线数据点是[[x1, y1], [x2, y2], … , [xn, yn]]格式的数据
②. 随机取5个数据点进行椭圆方程拟合,并求出椭圆方程参数。椭圆一般方程:Ax ^ 2 + Bxy + Cy ^ 2 + Dx + Ey + F = 0
③. 利用求得的椭圆模型进行数据点评估,判断条件一般为:①代数距离二范数;②几何距离二范数,判断出符合该椭圆模型的内点集
④. 判断3求出的内点集数量是否大于上一次内点集数量,如果是,则更新最优内点集及最优椭圆模型
⑤. 判断最优内点集是否达到预期数量,如果是,则退出循环,输出最优椭圆模型
⑥. 循环2-5步骤
⑦. 完成椭圆拟合
2.python拟合椭圆模型代码:

	import cv2
	import math
	import random
	import numpy as np
	from numpy.linalg import inv, svd, det

	class RANSAC:
	    def __init__(self, data, threshold, P, S, N):
	        self.point_data = data  # 椭圆轮廓点集
	        self.length = len(self.point_data)  # 椭圆轮廓点集长度
	        self.error_threshold = threshold  # 模型评估误差容忍阀值

	        self.N = N  # 随机采样数
	        self.S = S  # 设定的内点比例
	        self.P = P  # 采得N点去计算的正确模型概率
	        self.max_inliers = self.length * self.S  # 设定最大内点阀值
	        self.items = 999

	        self.count = 0  # 内点计数器
	        self.best_model = ((0, 0), (1e-6, 1e-6), 0)  # 椭圆模型存储器

	    def random_sampling(self, n):
	    # 这个部分有修改的空间,这样循环次数太多了,可以看看别人改进的ransac拟合椭圆的论文
	        """随机取n个数据点"""
	        all_point = self.point_data
	        select_point = np.asarray(random.sample(list(all_point), n))
	        return select_point

	    def Geometric2Conic(self, ellipse):
	    # 这个部分参考了GitHub中的一位大佬的,但是时间太久,忘记哪个人的了
	        """计算椭圆方程系数"""
	        # Ax ^ 2 + Bxy + Cy ^ 2 + Dx + Ey + F
	        (x0, y0), (bb, aa), phi_b_deg = ellipse
	
	        a, b = aa / 2, bb / 2  # Semimajor and semiminor axes
	        phi_b_rad = phi_b_deg * np.pi / 180.0  # Convert phi_b from deg to rad
	        ax, ay = -np.sin(phi_b_rad), np.cos(phi_b_rad)  # Major axis unit vector
	
	        # Useful intermediates
	        a2 = a * a
	        b2 = b * b
	
	        # Conic parameters
	        if a2 > 0 and b2 > 0:
	            A = ax * ax / a2 + ay * ay / b2
	            B = 2 * ax * ay / a2 - 2 * ax * ay / b2
	            C = ay * ay / a2 + ax * ax / b2
	            D = (-2 * ax * ay * y0 - 2 * ax * ax * x0) / a2 + (2 * ax * ay * y0 - 2 * ay * ay * x0) / b2
	            E = (-2 * ax * ay * x0 - 2 * ay * ay * y0) / a2 + (2 * ax * ay * x0 - 2 * ax * ax * y0) / b2
	            F = (2 * ax * ay * x0 * y0 + ax * ax * x0 * x0 + ay * ay * y0 * y0) / a2 + \
	                (-2 * ax * ay * x0 * y0 + ay * ay * x0 * x0 + ax * ax * y0 * y0) / b2 - 1
	        else:
	            # Tiny dummy circle - response to a2 or b2 == 0 overflow warnings
	            A, B, C, D, E, F = (1, 0, 1, 0, 0, -1e-6)
	
	        # Compose conic parameter array
	        conic = np.array((A, B, C, D, E, F))
	        return conic

	    def eval_model(self, ellipse):
	    # 这个地方也有很大修改空间,判断是否内点的条件在很多改进的ransac论文中有说明,可以多看点论文
	        """评估椭圆模型,统计内点个数"""
	        # this an ellipse ?
	        a, b, c, d, e, f = self.Geometric2Conic(ellipse)
	        E = 4 * a * c - b * b
	        if E <= 0:
	            # print('this is not an ellipse')
	            return 0, 0
	
	        #  which long axis ?
	        (x, y), (LAxis, SAxis), Angle = ellipse
	        LAxis, SAxis = LAxis / 2, SAxis / 2
	        if SAxis > LAxis:
	            temp = SAxis
	            SAxis = LAxis
	            LAxis = temp
	
	        # calculate focus
	        Axis = math.sqrt(LAxis * LAxis - SAxis * SAxis)
	        f1_x = x - Axis * math.cos(Angle * math.pi / 180)
	        f1_y = y - Axis * math.sin(Angle * math.pi / 180)
	        f2_x = x + Axis * math.cos(Angle * math.pi / 180)
	        f2_y = y + Axis * math.sin(Angle * math.pi / 180)
	
	        # identify inliers points
	        f1, f2 = np.array([f1_x, f1_y]), np.array([f2_x, f2_y])
	        f1_distance = np.square(self.point_data - f1)
	        f2_distance = np.square(self.point_data - f2)
	        all_distance = np.sqrt(f1_distance[:, 0] + f1_distance[:, 1]) + np.sqrt(f2_distance[:, 0] + f2_distance[:, 1])
	
	        Z = np.abs(2 * LAxis - all_distance)
	        delta = math.sqrt(np.sum((Z - np.mean(Z)) ** 2) / len(Z))
	
	        # Update inliers set
	        inliers = np.nonzero(Z < 0.8 * delta)[0]
	        inlier_pnts = self.point_data[inliers]
	
	        return len(inlier_pnts), inlier_pnts

	    def execute_ransac(self):
	        Time_start = time.time()
	        while math.ceil(self.items):
	            # 1.select N points at random
	            select_points = self.random_sampling(self.N)
	          
	            # 2.fitting N ellipse points
	            ellipse = cv2.fitEllipse(select_points)
	
	            # 3.assess model and calculate inliers points
	            inliers_count, inliers_set = self.eval_model(ellipse)
	
	            # 4.number of new inliers points more than number of old inliers points ?
	            if inliers_count > self.count:
	                ellipse_ = cv2.fitEllipse(inliers_set)  # fitting ellipse for inliers points
	                self.count = inliers_count  # Update inliers set
	                self.best_model = ellipse_  # Update best ellipse
	
	                # 5.number of inliers points reach the expected value
	                if self.count > self.max_inliers:
	                    print('the number of inliers: ', self.count)
	                    break
	
	                # Update items
	                self.items = math.log(1 - self.P) / math.log(1 - pow(inliers_count/self.length, self.N))
	
	        return self.best_model
	
	if __name__ == '__main__':
	# 这个是根据我的工程实际问题写的寻找椭圆轮廓点,你们可以根据自己实际来该
	    # 1.find ellipse edge line 
	    contours, hierarchy = cv2.findContours(img, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)

	    # 2.Ransac fit ellipse param
	    points_data = np.reshape(contours, (-1, 2))  # ellipse edge points set
	    Ransac = RANSAC(data=points_data, threshold=1., P=.99, S=.9, N=5)
	    (X, Y), (LAxis, SAxis), Angle = Ransac.execute_ransac()

整篇Ransac拟合椭圆的代码我感觉其实还是有不少小问题的,毕竟我菜鸡,写不出啥好东西,大家可以参考参考编程思路我感觉就可以了,我感觉我这个编程思路应该问题不大

四、部分对ransac的改进论文

链接:https://pan.baidu.com/s/1_P3rQJhRHMTE8sFmqRsxRg
提取码:0lia

上一篇:思维训练——CF1292B Aroma's Search


下一篇:【高等数学】九种二次曲面及其方程