目录

一、概述

1.1原理

1.2实现步骤

二、代码实现

2.1关键函数

2.1.1定义残差函数

2.1.2使用非线性最小二乘法拟合圆

2.2完整代码

三、实现效果

3.1拟合后点云

3.2结果数据

前期试读，后续会将博客加入下列链接的专栏，欢迎订阅

Open3D点云算法与点云深度学习案例汇总（长期更新）-CSDN博客

一、概述

        使用非线性最小二乘法拟合二维直线，可以通过优化算法来最小化点云数据与直线模型之间的误差。

1.1原理

1.2实现步骤

1.生成或读取点云数据：
        使用 Open3D 生成或读取二维平面上的点云数据。
2.定义目标函数：
        定义用于非线性最小二乘法优化的目标函数。
3.初始参数估计：
        选择初始的圆心和半径估计值。
4.优化求解：
        使用 scipy.optimize.least_squares 或其他优化算法进行非线性最小二乘法优化，拟合圆。
5.可视化结果：
        使用 Open3D 可视化原始点云数据和拟合的圆。

二、代码实现

2.1关键函数

2.1.1定义残差函数

• 使用 residuals 函数计算圆拟合的残差。残差是每个点到圆周的距离减去圆的半径。

def residuals(params, points):     """     计算残差，用于非线性最小二乘法优化。      参数:     params (numpy.ndarray): 圆的参数 (a, b, r)。     points (numpy.ndarray): 点云数据，形状为 (N, 2)。      返回:     numpy.ndarray: 残差，形状为 (N,)。     """     a, b, r = params     residuals = np.sqrt((points[:, 0] - a)**2 + (points[:, 1] - b)**2) - r     return residuals

2.1.2使用非线性最小二乘法拟合圆

• 使用 fit_circle_least_squares 函数进行非线性最小二乘法优化，拟合圆。初始参数估计使用点云数据的均值和平均距离。

def fit_circle_least_squares(points):     """     使用非线性最小二乘法拟合圆。      参数:     points (numpy.ndarray): 点云数据，形状为 (N, 2)。      返回:     tuple: 拟合的圆的参数 (a, b, r)。     """     # 初始参数估计     center_estimate = np.mean(points, axis=0)     radius_estimate = np.mean(np.sqrt(np.sum((points - center_estimate)**2, axis=1)))     initial_params = np.hstack((center_estimate, radius_estimate))      # 非线性最小二乘法优化     result = least_squares(residuals, initial_params, args=(points,))     return result.x

2.2完整代码

import open3d as o3d import numpy as np from scipy.optimize import least_squares  def generate_noisy_circle(center, radius, num_points=1000, noise_level=0.05):     """     生成带有噪声的二维圆形点云数据。      参数:     center (tuple): 圆心的坐标 (a, b)。     radius (float): 圆的半径。     num_points (int): 点的数量。     noise_level (float): 噪声水平。      返回:     numpy.ndarray: 生成的点云数据。     """     angles = np.linspace(0, 2 * np.pi, num_points)     x = center[0] + radius * np.cos(angles)     y = center[1] + radius * np.sin(angles)     points = np.vstack((x, y)).T      noise = np.random.normal(0, noise_level, points.shape)     noisy_points = points + noise      return noisy_points  def residuals(params, points):     """     计算残差，用于非线性最小二乘法优化。      参数:     params (numpy.ndarray): 圆的参数 (a, b, r)。     points (numpy.ndarray): 点云数据，形状为 (N, 2)。      返回:     numpy.ndarray: 残差，形状为 (N,)。     """     a, b, r = params     residuals = np.sqrt((points[:, 0] - a)**2 + (points[:, 1] - b)**2) - r     return residuals  def fit_circle_least_squares(points):     """     使用非线性最小二乘法拟合圆。      参数:     points (numpy.ndarray): 点云数据，形状为 (N, 2)。      返回:     tuple: 拟合的圆的参数 (a, b, r)。     """     # 初始参数估计     center_estimate = np.mean(points, axis=0)     radius_estimate = np.mean(np.sqrt(np.sum((points - center_estimate)**2, axis=1)))     initial_params = np.hstack((center_estimate, radius_estimate))      # 非线性最小二乘法优化     result = least_squares(residuals, initial_params, args=(points,))     return result.x  def create_circle_mesh(center, radius, resolution=100):     """     创建一个圆的 Mesh，用于可视化。      参数:     center (tuple): 圆心的坐标 (a, b)。     radius (float): 圆的半径。     resolution (int): 圆的分辨率。      返回:     open3d.geometry.LineSet: 圆的 Mesh 对象。     """     angles = np.linspace(0, 2 * np.pi, resolution)     x = center[0] + radius * np.cos(angles)     y = center[1] + radius * np.sin(angles)     z = np.zeros_like(x)     circle_points = np.vstack((x, y, z)).T      # 创建线框用于可视化圆     lines = [[i, (i + 1) % resolution] for i in range(resolution)]     line_set = o3d.geometry.LineSet()     line_set.points = o3d.utility.Vector3dVector(circle_points)     line_set.lines = o3d.utility.Vector2iVector(lines)     line_set.colors = o3d.utility.Vector3dVector([[1, 0, 0]] * len(lines))  # 红色      return line_set  # 生成带有噪声的二维圆形点云数据 center = (0.0, 0.0) radius = 1.0 num_points = 1000 noise_level = 0.05 points = generate_noisy_circle(center, radius, num_points, noise_level)  # 使用非线性最小二乘法拟合圆 fitted_params = fit_circle_least_squares(points) fitted_center = fitted_params[:2] fitted_radius = fitted_params[2] print(f"拟合的圆心: {fitted_center}，拟合的半径: {fitted_radius}")  # 创建点云对象 pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(np.c_[points, np.zeros(points.shape[0])])  # 创建拟合的圆的 Mesh 对象 circle_mesh = create_circle_mesh(fitted_center, fitted_radius)  # 可视化点云和拟合的圆 o3d.visualization.draw_geometries([pcd, circle_mesh], window_name="Nonlinear Least Squares Circle Fitting",                                   width=800, height=600, left=50, top=50) 

三、实现效果

3.1拟合后点云

3.2结果数据

拟合的圆心: [-0.00028073  0.00063606]，拟合的半径: 1.0012130828880563