椭圆拟合理论推导和Matlab实现

椭圆拟合理论推导和Matlab实现

1 理论推导

前面一篇文章，解决了最小二乘圆拟合的问题。这篇文章将以类似的方法解决椭圆拟合的问题。

首先搞清楚问题，最小二乘拟合椭圆，即输入为散点集 { ( x i , y i ) ∣ x i ∈ R , y i ∈ R } \{(x_i,y_i)|x_i\in \R,y_i\in \R\} { (xi​,yi​)∣xi​∈R,yi​∈R},定义新的向量 { X ∣ X = [ x 1   x 2 . . . x n ] T ∈ R n } \{X|X=[x_1\ x_2...x_n]^T\in \R^n\} { X∣X=[x1​ x2​...xn​]T∈Rn}和 { Y ∣ Y = [ y 1   y 2 . . . y n ] T ∈ R n } \{Y|Y=[y_1\ y_2...y_n]^T\in \R^n\} { Y∣Y=[y1​ y2​...yn​]T∈Rn},求解能够尽可能接近这些点的椭圆。一般斜椭圆具有5个参数，即椭圆中心坐标$(x_0,y_0)$,椭圆长径和短径$R_1,R_2$以及坐标轴旋转的角度$\varphi$，只需要求解了这几个参数椭圆就被唯一确定了。那么对于椭圆的求解则至少需要5个独立的方程。即输入的点的个数至少是5个。

然后开始我们正式的推导，我们在中学时代就已经知道，一般的圆锥曲线的隐式方程为：
$$A{x}^2+Bxy+C{y}^2+Dx+Ey+1=0$$
其与我们想要参数之间的转换关系是（这个地方的推导比较复杂，不是重点）：
$$\{\begin{array}{l}\begin{array}{rl}{x}_0& =\frac{BE-2CD}{4AC-B^2}\\ y_0& =\frac{BD-2AE}{4AC-B^2}\\ R_1& =\sqrt{\frac{2(A{x}_0^2+C{y}_0^2+B{x}_0{y}_0-1)}{A+C+\sqrt{(A-C{)}^2+B^2}}}\\ R_2& =\sqrt{\frac{2(A{x}_0^2+C{y}_0^2+B{x}_0{y}_0-1)}{A+C-\sqrt{(A-C{)}^2+B^2}}}\\ \varphi & =\frac{1}{2}arctan(\frac{B}{A-C})\end{array}\end{array}$$
值得一提的是，上式中的长径和短径并一定满足$R_1>R_2$,称呼为旋转前X轴截距的一半和y轴截距的一半其实更为准确。这样做的目的是为了不失一般性；同样为了不失去一般性，设$\varphi \in [0,2\pi ]$。因此在Matlab中使用反三角函数时，采用atan2() 二不是 atan()。

为了计算的方便，凭借我们朴素的数学直觉，我们对于隐式方程进行$x^2$项系数归一处理：
$$x^2+axy+b{y}^2+cx+dy+e=0$$

对于每个点，都是关于未知数向量 [ a   b   c   d   e ] T [a\ b\ c\ d\ e]^T [a b c d e]