PFA算法.docVIP

3.3 抛物线拟合算法（Parabola fitting algorithm） 现在有很多方法用一条曲线来拟合二维空间的散射点。其中，最小二乘法（least square method）是工程中最常见的一种方法。考虑到任何一组散射点都能用一个多项式函数（a polynomial function）来拟合，我们选择抛物线（parabola）作为拟合曲线。对最小二乘法来说，尽管拟合的精度（the fitting precision）随多项式的阶数（degree）的增加而增强。但它的时间复杂度（time complexity）也随之有极大增长。所以这篇文章采用抛物线来拟合边缘点，虽然它不能保证拟合精度，却降低了时间复杂度。 我们假定要拟合的边缘点集合用来表示，拟合抛物线表达式（expression）为。现在和之间的均方误差（MSE）（the mean square error）可用下式表示： （3） 根据多变量函数（multi-variable functions）的极大值定理（the maximum-principle），的最小值满足： （4） 由公式（4）可推出拟合抛物线的一般方程如下： （5） 方程（5）能用下面的简单符号重新表示如下： （6） 解方程（6），能得到： （7） 现在，我们来考虑上面3个方程式中的某些分母（denominator）等于0的特殊情况。首先，我们假定当前系统的坐标原点（the coordinates origin）为图像的第一个点，水平坐标轴（horizontal coordinates）的正方向为从左到右，纵坐标（vertical coordinates）的正方向为从上到下。则所有点的坐标位置（the coordinates positions）都分属于自然数（natural number）。如果它们用表示，则。 特殊情况的讨论如下： 因为∈N并且=,能推导出总是比0大，这也就说明了方程组（7）的第3个等式在任何条件下都是成立的。 通过分析要拟合点的位置，我们发现当它们的横坐标x的值彼此大致相等时，第一个方程式的分母和第二个方程式的分母大致等于0。这就是说，如果一组要拟合的点近似于一条与竖坐标轴平行的直线，则没有抛物线能拟合它们。这种现象的原因是因为在理论上，抛物线不能拟合y坐标轴的平行线。然而，这个缺陷不会影响这篇文章的拟合效果。从符合此种特殊情况的点集来看，我们能发现这些点能用y轴的一条平行线来拟合，它也可以看做是一条令的成功的拟合。 根据上面的分析，PFA算法的详细描述如下。它的代码能在附录A中找到，其中的一些简单的操作用蓝颜色标出。 步骤1： 根据邻域所包含的边界点的位置，计算出下列系数（coefficients）： 步骤2： 根据方程（5）和（6），计算出。 步骤3： 根据方程组（7），计算拟合抛物线m-curve的系数，。 步骤4： 根据边缘点与m-curve的关系，从中分离出有效地拟合点。输出有效的拟合点和m-curve。中剩下的所有边缘点为新的ADDA算法和PFA算法保存下来。 边缘点的数据结构 struct Edge point { int x;// 边缘点的横坐标位置 int y;//边缘点的纵坐标位置 double level;// 拟合水平 EdgePoint *link;// 指向下一个边缘点的指针 }; 算法地伪代码如下： A.2.2 PFA算法代码 FitEdgepoints(EdgePoint edgepoint) { EdgePoint otherpoint=NULL float ===0; Integer m=flag=0 Loop for each element of edgepoint { m++ //Number of edge points to be fitted increases by 1 Compute ,,i=1,2,3,j=1,2,3 //According to the corresponding //relationship between eq