我正在空白图像上绘制2D椭圆。现在,我想在椭圆中拟合一条线以获取主轴。知道有很多选择(PCA,图像矩等)后,我想到了线性回归应该可以胜任。但是,仅当椭圆的旋转平行于x轴时才“起作用”。为什么是这样?对称分布的对称点云不应该给中线吗?
这是我使用的代码:
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.draw import ellipse
from ipywidgets import interact
from sklearn.linear_model import LinearRegression
@interact
def rotateAndFit(rot:(-90,90)=-90):
im = np.zeros((300,300), dtype=np.float64)
im[ellipse(im.shape[0]//2, # center x
im.shape[1]//2-10, # center y
120, # radius major axis
40, # radius minor axis
im.shape, # image shape
rot/180*np.pi)] = 1 # rotation angle in degree,
# Get corresponding x and y values
y, x = np.where(im)
# Do Linear Regression
lr = LinearRegression()
lr.fit(x[None].T,y)
plt.imshow(im)
plt.plot([0, 300], [lr.intercept_, lr.coef_[0]*300+lr.intercept_])
plt.axis([0,300,300,0])
plt.title('rotation $r = {}°$'.format(rot))
代码提供以下输出:
我真的很困惑,有什么想法吗?我使用了ridge和lasso回归来调整权重,但是它们降低了权重,但是似乎权重(即斜率必须更陡峭),我认为线性回归低估了斜率。有趣的是,线性回归通常是“点”对称的,但在整个直线上不是对称的...行为接近0°,我知道斜率不能无穷大。但是它至少应该在低旋转度下工作。
答案 0 :(得分:3)
回归线不能与主轴重合,因为回归在y方向上最小化,而不是垂直于回归线。以下示例使用正交距离回归代替y中的线性回归,并给出了所需的结果:
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.draw import ellipse
from ipywidgets import interact
from sklearn.linear_model import LinearRegression
from scipy.odr import ODR, Model, Data
def lin(beta, x):
a,b = beta
return a*x+b
@interact(rot=(-90,90))
def rotateAndFit(rot=-90):
im = np.zeros((300,300), dtype=np.float64)
im[ellipse(im.shape[0]//2, # center x
im.shape[1]//2-10, # center y
120, # radius major axis
40, # radius minor axis
im.shape, # image shape
rot/180*np.pi)] = 1 # rotation angle in pi (40°),
y, x = np.where(im)
d = Data(x,y)
m = Model(lin)
o = ODR(d, m, [0,0])
out = o.run()
a,b = out.beta
plt.imshow(im)
plt.plot([0, 300], [b, a*300+b])
plt.axis([0,300,300,0])
plt.title('rotation $r = {}°$'.format(rot))
答案 1 :(得分:2)