(1)二维高斯去曲面拟合推导
一个二维高斯方程可以写成如下形式:
其中,G为高斯分布的幅值,,为x,y方向上的标准差,对式(1)两边取对数,并展开平方项,整理后为:
假如参与拟合的数据点有N个,则将这个N个数据点写成矩阵的形式为:A = B C,
其中:
A为N*1的向量,其元素为:
B为N*5的矩阵:
C为一个由高斯参数组成的向量:
(2)求解二维高斯曲线拟合
N个数据点误差的列向量为:E=A-BC,用最小二乘法拟合,使其N个数据点的均方差最小,即:
在图像数据处理时,数据量比较大,为减小计算量,将矩阵B进行QR分解,即:B=QR,分解后Q为一个N*N的正交矩阵,R为一个N*5的上三角矩阵,对E=A-BC进行如下推导:
由于Q为正交矩阵,可以得到:
令:
其中:上式中,当S = R1C时取得最小值,因此只需解出:
即可求出:
中的
这些参数,这里先给出:
这里:
(3)C++代码实现,算法的实现过程中由于涉及大量的矩阵运算,所以采用了第三方的开源矩阵算法Eigen,这里真正用于高斯拟合的函数是
bool GetCentrePoint(float& x0,float& y0)
关于Eigen的用法请参考:http://blog.csdn.net/hjx_1000/article/details/8490941
#include "stdafx.h" #include "GaussAlgorithm.h" VectorXf m_Vector_A; MatrixXf m_matrix_B; int m_iN =-1; bool InitData(int pSrc[100][100], int iWidth, int iHeight) { if (NULL == pSrc || iWidth <=0 || iHeight <= 0) return false; m_iN = iWidth*iHeight; VectorXf tmp_A(m_iN); MatrixXf tmp_B(m_iN, 5); int i =0, j=0, iPos =0; while(i<iWidth) { j=0; while(j<iHeight) { tmp_A(iPos) = pSrc[i][j] * log((float)pSrc[i][j]); tmp_B(iPos,0) = pSrc[i][j] ; tmp_B(iPos,1) = pSrc[i][j] * i; tmp_B(iPos,2) = pSrc[i][j] * j; tmp_B(iPos,3) = pSrc[i][j] * i * i; tmp_B(iPos,4) = pSrc[i][j] * j * j; ++iPos; ++j; } ++i; } m_Vector_A = tmp_A; m_matrix_B = tmp_B; } bool GetCentrePoint(float& x0,float& y0) { if (m_iN<=0) return false; //QR分解 HouseholderQR<MatrixXf> qr; qr.compute(m_matrix_B); MatrixXf R = qr.matrixQR().triangularView<Upper>(); MatrixXf Q = qr.householderQ(); //块操作,获取向量或矩阵的局部 VectorXf S; S = (Q.transpose()* m_Vector_A).head(5); MatrixXf R1; R1 = R.block(0,0,5,5); VectorXf C; C = R1.inverse() * S; x0 = -0.5 * C[1] / C[3]; y0 = -0.5 * C[2] / C[4]; return true; }
其中:
函数 bool InitData(int pSrc[100][100], int iWidth, int iHeight)主要用于将数组转换成相应的矩阵,因为我的所有数据都在一个整形的二维数组中存着,所以需要做这种转换。
函数bool GetCentrePoint(float& x0,float& y0)主要用于对数据点进行二维高斯曲面拟合,并返回拟合的光点中心。