Учитывая:
У меня есть набор трехмерных точек в CSV-файле.
X, Y, Z
x0, y0, z0
x1, y1, z1
...
xn, yn, zn
Постановка задачи: Цель состоит в том, чтобы подогнать плоскость на основе наименьшего квадрата ошибка. Получите расстояние ошибки между точкой и плоскостью. У меня есть свобода выбора python или C ++. Я предпочитаю c ++, но python тоже подойдет.
Уравнение плоскости:
Ax + By + Cz + D = 0 -- Equation 1
Вариант 1: C ++ Way
Я нашел эту ссылку в Интернете, описывающую способ c ++ для решения подгонки плоскости http://www.janssenprecisionengineering.com/downloads/Fit-plane-through-data-points.pdf Но здесь вместо уравнения 1 они используют уравнение 2
Z = A'x + B'y + C' -- Equation 2
where, A' = -A/C
B' = -B/C
C' = -D/C
Как только я узнаю A 'B' C ', я смогу рассчитать расстояние от каждой точки до плоскости на основе уравнения 3 ( Ссылка от -> Math Insight ):
Error = abs(A * x + B * y - z + C) / sqrt(pow(A, 2) + pow(B, 2) + 1); -- Equation 3
Я начал реализовывать его с C ++
std::ofstream abc;
abc.open("Logs\\abc.csv");
cv::Mat Plane;
double Xi = 0;
double Yi = 0;
double Zi = 0;
double X2i = 0;
double Y2i = 0;
double XiYi = 0;
double XiZi = 0;
double YiZi = 0;
for (int o = 0; o < GL.PointX.size(); ++o) {
std::cout << "POINT X : " << GL.PointX[o] << std::endl;
std::cout << "POINT Y : " << GL.PointY[o] << std::endl;
std::cout << "POINT Z : " << GL.PointZ[o] << std::endl;
Xi = Xi + GL.PointX[o];
Yi = Yi + GL.PointY[o];
Zi = Zi + GL.PointZ[o];
X2i = X2i + (GL.PointX[o] * GL.PointX[o]);
Y2i = Y2i + (GL.PointY[o] * GL.PointY[o]);
XiYi = XiYi + (GL.PointX[o] * GL.PointY[o]);
XiZi = XiZi + (GL.PointX[o] * GL.PointZ[o]);
YiZi = YiZi + (GL.PointY[o] * GL.PointZ[o]);
}
cv::Mat PlaneA_Mat = (cv::Mat_<double>(3, 3) << X2i, XiYi, Xi, XiYi, Y2i, Yi, Xi, Yi, 1);
cv::Mat PlaneB_Mat(3, 1, CV_64FC1);
double R = 0, R2 = 0, FR2=0;
int Observation = 70;
PlaneB_Mat.at<double>(0, 0) = XiZi;
PlaneB_Mat.at<double>(1, 0) = YiZi;
PlaneB_Mat.at<double>(2, 0) = Zi;
Plane = PlaneA_Mat.inv() * PlaneB_Mat;
double A = Plane.at<double>(0, 0); //-A/C
double B = Plane.at<double>(1, 0); //-B/C
double C = Plane.at<double>(2, 0); //-D/C
abc << A << "," << B << "," << "-1" << "," << C;
abc <<"\n";
double Dsum = 0;
for (int o = 0; o < GL.PointX.size(); ++o) {
double Error = abs(A * GL.PointX[o] + B * GL.PointY[o] - GL.PointZ[o] + C) / sqrt(pow(A, 2) + pow(B, 2) + 1);
std::cout << "Error : " << Error << std::endl;
Error_projection << Error ;
Error_projection << "\n";
Dsum = Dsum + Error;
GL.D.push_back(Error);
}
R = (Observation * XiYi - Xi * Yi) / sqrt((Observation * X2i - Xi * Xi) * (Observation * Y2i - Yi * Yi));
R2 = pow(R, 2);
FR2 = pow(Zi - Dsum, 2) / pow(Zi - (1 / Observation)*Zi, 2);
std::cout << "PlaneA_Mat : " << PlaneA_Mat << std::endl;
std::cout << "PlaneB_Mat: " << PlaneB_Mat << std::endl;
std::cout << "FINAL PLANE: " << Plane << std::endl;
std::cout << "R: " << R << std::endl;
std::cout << " Correlation coefficient (R^2) : " << R2 << std::endl;
std::cout << " Final Correlation coefficient (FR^2) : " << FR2 << std::endl;
В результате я получил:
A : 12.36346708893272
B : 0.07867292340114898
C : -3.714791111490779
А также получил ошибки для каждой точки относительно плоскости. Значения ошибок очень большие .
* Вариант 2: Python Путь *
Затем я начал искать в Интернете, чтобы найти некоторые код и нашел это -> 3D Plane Fit код. Я изменил в соответствии с моими потребностями, и это прекрасно работает.
import numpy as np
import scipy.optimize
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import pandas
fig = plt.figure()
ax = fig.gca(projection='3d')
def fitPlaneLTSQ(XYZ):
(rows, cols) = XYZ.shape
print(rows, cols)
G = np.ones((rows, 3))
print(XYZ)
print(XYZ[0])
G[:, 0] = XYZ[0] # X
G[:, 1] = XYZ[1] # Y
print(G)
Z = XYZ[2]
(a, b, c), resid, rank, s = np.linalg.lstsq(G, Z)
print("a : ", a )
print("b : ", b )
print("c : ", c)
print("Residual : ", resid)
print("Rank : ", rank)
print("Singular Value", s)
normal = (a, b, -1) # I Don't Know WHY ?
print("normal : ", normal)
'''
normala = abs(pow(a,2)+pow(b,2)+pow(-1,2))
np.sqrt(normala)
abb=normal/normala
print("Normala : ",normala)
print("Normala : ", abb)
'''
nn = np.linalg.norm(normal) # I Don't Know WHY ?
print("nn : ", nn)
normal = normal/nn # I Don't Know WHY ?
print("Normal : ", normal)
return (c, normal)
#Import Data from CSV
result = pandas.read_csv("C:/Users/Logs/points_L.csv", header=None) # , names=['X', 'Y','Z']
#result =result.head(5)
print(result)
normal1 = pandas.read_csv("C:/Users/Logs/pose_left.csv", header=None) # , names=['X', 'Y','Z']
print(normal1)
abc = pandas.read_csv("C:/Users/Logs/abc.csv", header=None) # , names=['X', 'Y','Z']
print(abc)
#standard normal distribution / Bell.
#np.random.seed(seed=1)
data = result
#print(data)
print("NEW : ")
print(data)
c, normal = fitPlaneLTSQ(data)
print(c, normal)
# plot fitted plane
maxx = np.max(data[0])
maxy = np.max(data[1])
minx = np.min(data[0])
miny = np.min(data[1])
print(maxx,maxy, minx, miny)
point = np.array([0.0, 0.0, c]) # I Don't Know WHY ?
print("Point : ", point)
d = -point.dot(normal) # I Don't Know WHY ?
print("D : ", d)
# plot original points
ax.scatter(data[0], data[1], data[2])
ax.quiver(data[0], data[1], data[2], normal1[0], normal1[1], normal1[2], length=0.2)
# compute needed points for plane plotting
xx, yy = np.meshgrid([minx, maxx], [miny, maxy])
print(xx)
print(yy)
print("minx : ", minx)
print("maxx : ", maxx)
print("miny : ", miny)
print("maxy : ", maxy)
print("xx : ", xx)
print("yy : ", yy)
z = (-normal[0]*xx - normal[1]*yy - d)*1. / normal[2] # I Don't Know WHY ?
unit1 = np.sqrt(pow(normal[0], 2) + pow(normal[1],2) + pow(normal[2],2))
print("Unit 1 : ", unit1)
Error = abs(normal[0]*data[0] + normal[1]*data[1] + normal[2]*data[2] + d)/unit1
print("Error", Error)
Error_F = pandas.DataFrame(Error)
print("Print : ", Error_F)
Error_F.to_csv("C:/Users/Logs/Py_Error.csv")
print("Z : ", z)
# plot plane
ax.plot_surface(xx, yy, z, alpha=0.2)
ax.set_xlim(-1, 1)
ax.set_ylim(-1,1)
ax.set_zlim(1,2)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
plt.show()
Было бы очень полезно, если бы вы могли ответить на следующие вопросы:
- В коде варианта 2 python я прокомментировал
# I Don't Know WHY ? Не могли бы вы предоставить математическое обоснование того, почему они его использовали. Пожалуйста, постарайтесь объяснить это так, как будто вы объясняете Нубу. - В чем проблема с моим кодом C ++? как я могу получить такие же результаты, как код python?
Почему мой коэффициент конечной корреляции R ^ 2 дает странные результаты?
Thank You Very Much !