Publicité
+ Répondre à la discussion
Affichage des résultats 1 à 5 sur 5
  1. #1
    Membre chevronné
    Profil pro Alexis
    Ingénieur de recherche en informatique
    Inscrit en
    juin 2009
    Messages
    435
    Détails du profil
    Informations personnelles :
    Nom : Alexis
    Localisation : France

    Informations professionnelles :
    Activité : Ingénieur de recherche en informatique

    Informations forums :
    Inscription : juin 2009
    Messages : 435
    Points : 705
    Points
    705

    Par défaut [Python] Ellipse Fitting

    Bonjour,

    Voici un code en python pour ajuster les paramètre d'une ellipse 2D à partir d'un nuage de points.

    Le module principale:
    Code Python :
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    102
    103
    104
    105
    106
    107
    108
    109
    110
    111
    112
    113
    114
    115
    116
    117
    118
    119
    120
    121
    122
    123
    124
    125
    126
    127
    128
    129
    130
    131
    132
    133
    134
    135
    136
    137
    138
    139
    140
    141
    142
    143
    144
    145
    146
    147
    148
    149
    150
    151
    152
    153
    154
    155
    156
    157
    158
    159
    160
    161
    162
    163
    164
    165
    166
    167
    168
    169
    170
    171
    172
    173
    174
    175
    176
    177
    178
    179
    180
    181
    182
    183
    184
    185
    186
    187
    188
    189
    190
    191
    192
    193
    194
    195
    196
    197
    198
    199
    200
    201
    202
    203
    204
    205
    206
    207
    208
    209
    210
    211
    212
    213
    214
    215
    216
    217
    218
    219
    220
    221
    222
    223
    224
    225
    226
    227
    228
    229
    230
    231
    232
    233
    234
    235
    236
    237
    238
    239
    240
    241
    242
    243
    244
    245
    246
    247
    248
    249
    250
    251
    252
    253
    254
    255
    256
    257
    258
    259
    260
    261
    262
    263
    264
    265
    266
    267
    268
    269
    270
    271
    272
    273
    274
    275
    276
    277
    278
    279
    280
    281
    282
    283
    284
    285
    286
    287
    288
    289
    290
    291
    292
    293
    294
    295
    296
    297
    298
    299
    300
    301
    302
    303
    304
    305
    306
    307
    308
    309
    310
    311
    312
    313
    314
    315
    316
    317
    318
    319
    320
    321
    322
    323
    324
    325
    326
    327
    328
    329
    330
    331
    332
    333
    334
    335
    336
    337
    338
    339
    340
    341
    342
    343
    344
    345
    346
    347
    348
    349
    350
    351
    352
    353
    354
    355
    356
    357
    358
    359
    360
    361
    362
    363
    364
    365
    366
    367
    368
    369
    370
    371
    372
    373
    374
    375
    376
    377
    378
    379
    380
    381
    382
    383
    384
    385
    386
    387
    388
    389
    390
    391
    392
    393
    394
    395
    396
    397
    398
    399
    400
    401
    402
    403
    404
    405
    406
    407
    408
    409
    410
    411
    412
    413
    414
    415
    416
    417
    418
    419
    420
    421
    422
    423
    424
     
    """ 2D Ellipse fitting
     
        Fits an ellipse to a set of points (x_i, y_i) using the canonical
        representation:
     
         a * x^2 + b * x * y + c * y^2 + d * x + e * y + f = 0 (1)
     
        Provided features
        -----------------
     
        The module provides several function related to ellipses:
     
        `fit_ellipse`:
            fits an ellipse from a set of points and return the parameters
            of the canonical representation (see above)
     
        `get_parameters`:
            converts canonical parameters into intuitive representation i.e.
            major and minor radii
     
     
        let a_ be the vector a_ = [a, b, c, d, e, f]'
        Let D be the (N x 6) design matrix:
            D = [z_1 z_2 ... z_n]'
     
            where 
     
            z_i = [ x_i^2, x_i * y_i, y_i^2, x_i, y_i, 1 ]'
     
        We want to minimize
     
            E = \sum_i (a_' * z_i)^2 = || D * a_ ||^2 = a_' * S * a
     
            where 
     
            S = D' * D
     
        If equation (1) corresponds to an ellipse we must have:
     
            4 * a * c - b^2 > 0
     
        Since equation (1) is unique up to a scaling factor we can impose:
     
            4 * a * c - b^2 = 1
     
        which can be written in matrix form as:
     
            a_' * C * a_ = 1
     
            with
     
            ::
     
                C = | 0 0  2 0 0 0 |
                    | 0 -1 0 0 0 0 |
                    | 2 0  0 0 0 0 |
                    | 0 0  0 0 0 0 |
                    | 0 0  0 0 0 0 |
                    | 0 0  0 0 0 0 |
     
        So the problem reduces to:
     
            a_ = argmin a_' S a_
            s.t.                        (2)
                a_' * C * a_ = 1
     
        which is equivalent to solving:
     
            S a_ = l * C * a_           (3)
     
        where l is a Lagrange multiplier.
     
        Equation (2) is just a generalized eigen value problem. And the solution
        to (1) is the eigen vector corresponding to the smallest positive eigen
        value of (2).
     
        It can be prooved that (3) has 2 negative eigen values and one positive.
        The biggest eigen value the corresponds to the solution.
     
        Since C has negative eigen values solvers in scipy/numpy are not able
        to perform the eigen decomposition. To solve (2) we reduce the problem
        to a 3x3 eigen value problem for wich we can solve the problem
        analytically. For that, we split S and C into 3x3 blocks.    
     
        Let's define:
     
        ::
     
            S = | A  B |
                | B' E |
     
            C = | F  0 |
                | 0  0 |
     
            a_ = [x' y']'
     
        Rewritting (3) we get:
     
            A * x + B * y = l * F * x
            B'* x + E * y = 0
     
        which gives:
     
            y = - E^(-1) * B' * x
            (A - B * E^(-1) * B') * x = l * F * x (4)
     
        Equation (4) is a 3x3 eigen value problem that we can solve analytically.
     
        :Notes:
     
            Detailed explanations can be found in:
     
                *Direct Least square fitting of Ellipses*. A. Fitzgibbon, M. Pilu,
                and R. B. Fisher. Pattern Analysis and Machine Intelligence. 1999
     
        :Author: Alexis Mignon (c) 2012
        :E-mail: alexis.mignon@gmail.com
     
    """
     
    import numpy as np
    from scipy.linalg import inv, eigh, solve
     
    def _find_max_eigval(S):
        """
        Finds the biggest generalized eigen value of the system
     
        S * x = l * C * x
     
        where
     
        ::
     
            C = | 0  0 2 |
                | 0 -1 0 |
                | 2  0 1 |
     
        Parameters:
        -----------    
        S : 3x3 matrix
     
        Returns:
        --------
        the highest eigen value
        """
     
        a = S[0,0]
        b = S[0,1]
        c = S[0,2]
        d = S[1,1]
        e = S[1,2]
        f = S[2,2]
     
        # computes the coefficients of the caracteristique polynomial
        # det(S - x * C) = 0
        # Since the matrix is 3x3 we have a 3rd degree polynomial
        # _a * x**3 + _b * x**2 + _c * x + _d
        _a = -4
        _b = 4 * (c - d)
        _c = a * f - 4 * b * e + 4 * c * d - c * c
        _d = a * d * f - b * b * f - a * e * e + 2 * b * c * e - c  * c * d
     
        # computes the roots of the polynomial
        # there must be 2 negative roots and one
        # positive, i.e. the biggest one.
        x2, x1, x0 = sorted(np.roots([_a, _b, _c, _d] ))
        return x0
     
    def _find_max_eigvec(S):
        """
        Computes the positive eigen value and the corresponding
        eigen vector of the system:
     
            S * x = l * C * x
     
            where
            ::
     
                C = | 0  0 2 |
                    | 0 -1 0 |
                    | 2  0 1 |
     
        Parameters:
        -----------    
        S : 3x3 matrix
     
        Returns:
        --------
            (l, u)
     
        l : float
            the positive eigen value
     
        u : the corresponding eigen vector
    """
     
        l = _find_max_eigval(S)
     
        a11 = S[0,0]
        a12 = S[0,1]
        a13 = S[0,2]
        a22 = S[1,1]
        a23 = S[1,2]
     
        u = np.array([
            a12 * a23 - (a13  - 2*l) * (a22 + l),
            a12 * (a13  - 2*l) - a23 * a11,
            a11 * (a22 + l) - a12 * a12
        ])
     
        c = 4 * u[0] * u[2] - u[1] * u[1]
     
        return l, u/np.sqrt(c)
     
    def fit_ellipse(X):
        """ Fit an ellipse.
     
        Computes the best least squares parameters of an ellipse  expressed as:
     
            a * x^2 + b * x * y + c * y^2 + d * x + e * y + f = 0
     
        Parameters
        ----------
        X : N x 2 array
            an array of N 2d points.
     
        Returns:
        --------
        an array containing the parameters:
     
            [ a , b, c, d, e, f]
     
    """
        x = X[:,0]
        y = X[:,1]
     
        # building the design matrix
        D = np.vstack([ x*x, x*y, y*y, x, y, np.ones(X.shape[0])]).T
        S = np.dot(D.T, D)
     
        S11 = S[:3][:,:3]
        S12 = S[:3][:,3:]
        S22 = S[3:][:,3:]
     
        S22_inv = inv(S22)
        S22_inv_S21 = np.dot(inv(S22), S12.T)
     
        Sc =  S11 - np.dot(S12, S22_inv_S21)
        l, a = _find_max_eigvec(Sc)
     
        b = - np.dot(S22_inv_S21, a)
     
        return np.hstack([a,b])
     
    def create_ellipse(r, xc, alpha, n=100, angle_range=(0,2*np.pi)):
        """ Create points on an ellipse with uniform angle step
     
        Parameters
        ----------
        r: tuple
            (rx, ry): major an minor radii of the ellipse. Radii are supposed to
            be given in descending order. No check will be done.
        xc : tuple
            x and y coordinates of the center of the ellipse
        alpha : float
            angle between the x axis and the major axis of the ellipse
        n : int, optional
            The number of points to create
        angle_range : tuple (a0, a1)
            angles between which points are created.
     
        Returns
        -------
            (n * 2) array of points 
    """
        R = np.array([
            [np.cos(alpha), -np.sin(alpha)],
            [np.sin(alpha), np.cos(alpha)]
        ])
     
        a0,a1 = angle_range
        angles = np.linspace(a0,a1,n)
        X = np.vstack([ np.cos(angles) * r[0], np.sin(angles) * r[1]]).T
        return np.dot(X,R.T) + xc
     
    def get_parameters(x):
        """
        Computes 'natural' parameters of an ellipse given the parameters
        of the canonical equation:
     
            a * x^2 + b * x * y + c * y^2 + d * x + e * y + f = 0
     
        Parameters:
        -----------
        x : array_like
            An array of 6 elements corresponding to the coefficients of the
            canonical equation (see above)
     
        Returns:
        --------
            tuple (rx, ry), (xc, yc), alpha
     
        (rx, ry) : tuple
            Radii of the major and minor axes
     
        (xc, yc) : tuple
            coordinates of the center
     
        alpha : float
            angle between the x axis and the major axis
     
        :Note:
     
            Computed the parameters of the ellipse when it is expressed as:
     
                x'^2/rx^2 + y'/ry^2 = 1
     
            where x' and y' correpsond to the rotated coordinates:    
     
                x' =  cos(alpha)(x-xc) + sin(alpha)(y-yc)
                y' = -sin(alpha)(x-xc) + cos(alpha)(y-yc)
     
            Which can be put in matrix form as
     
                (X-Xc)' R D R' (X-Xc) = 1
     
            where
            ::
     
                  X = [x y] and Xc = [xc yc]
     
                  R = [ cos(alpha) -sin(alpha)]
                      [ sin(alpha) cos(alpha) ]
     
                  D = [ 1/rx^2           0    ]
                      [    0          1/ry^2  ]
     
            Parameters are given as the parameter of the conic:
     
                a * x^2 + b * x * y + c * y^2 + d * x + e * y + f = 0
     
            In matrix form we have:
     
                X' A X + B' X + f = 0
     
                where
                ::
                      X = [ x  y ]'
     
                      A = [ a b/2]
                          [b/2 c ]
     
                      B = [ d  e ]'
     
            Any ellipse can be written as:
     
                    (X - Xc)' A (X - Xc)  = r^2
     
            which develops in:
     
                X'A X - 2 * Xc' A X + Xc' A Xc - r^2 = 0
     
                So we have:
     
                    B = - 2 * A Xc
     
                and
     
                    f = Xc' A Xc - r^2
     
                and thus:
     
                    Xc = -1/2 * A^(-1) B
                    r^2 = Xc' A Xc - f
     
                We also see that
     
                1/r^2 * (X - Xc)' A (X - Xc) = (X-Xc)' R D R' (X-Xc) = 1
     
                By performing eigen decomposition on A = U L U', we obtain
     
                    R = U
     
                    and 
     
                    lx / r^2 = 1/rx^2
                    ly / r^2 = 1/ry^2
     
                hence
     
                    rx^2 = r^2 / lx
                    ry^2 = r^2 / ly
     
                the angle alpha is finally determined using
                ::
     
                    U = | u11,  u12 | = | cos(alpha)  sin(alpha)|
                        |-u12,  u22 |   | -sin(alpha) cos(alpha)|
                    alpha = sign(u12) * arccos(u11)
        """
        a,b,c,d,e,f = x
     
        A = np.array([
            [ a, b/2 ],
            [b/2, c  ]
        ])    
     
        B = np.array([d,e])    
     
        w,u = eigh(A)
     
        Xc = solve(-2*A,B)
        r2 = -0.5 * np.inner(Xc,B) - f
     
        rr2 = r2 / w
     
        alpha = np.arccos(u[0,0])
        if alpha > np.pi/2:
            alpha = alpha - np.pi
     
        alpha *= np.sign(u[0,1])
     
        return tuple(np.sqrt(rr2)), tuple(Xc), alpha

    Et un exemple d'utilisation:
    Code Python :
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
     
    # -*- coding: utf-8 -*-
    """
    Sample code for the use of fit_ellipse
     
    :Author: Alexis Mignon
    :E-mail: alexis.mignon@gmail.com
    """
     
    import pylab as pl
    import numpy as np
    from fit_ellipse import create_ellipse, fit_ellipse, get_parameters
     
    # ellipse parameters
    r = (1.0, 0.5)
    xc = (0.5,1.5)
    alpha = np.pi/3
     
    # points to draw the ellipse
    X = create_ellipse(r,xc,alpha)
    # points from which we guess the parameters
    Xn = create_ellipse(r,xc,alpha, angle_range=(-np.pi/2, np.pi/2), n=10)
    # additional gaussian noise
    Xn += 0.05 * min(r) * np.random.randn(*Xn.shape)
     
    # guess parameters from noised data
    a = fit_ellipse(Xn)
    rf, xcf, alpha_f = get_parameters(a)
     
    # points to draw the guessed ellipse
    Xf = create_ellipse(rf,xcf,alpha_f)
     
    print "real params:"
    print "rx, ry:", r[0],",",r[1]
    print "xc, yc:", xc[0],",",xc[1]
    print "alpha:", alpha
    print    
     
    print "found params:"
    print "rx, ry:", rf[0],",",rf[1]
    print "xc, yc:", xcf[0],",",xcf[1]
    print "alpha:", alpha_f
     
    # Plot data
    pl.scatter(*Xn.T, label="noisy points")
    pl.plot(*X.T, label="source ellipse")
    pl.plot(*Xf.T, label="guessed ellipse")
    pl.legend(loc="lower right")
    pl.show()

    Vous pouvez récupérer l'ensemble sur :
    http://code.google.com/p/fit-ellipse/

    La méthode est décrite dans A. Fitzgibbon et al. "Direct Least Square Fitting of Ellipses". Pattern Analysis and Machine Intelligence. 1999.

    Voici les grandes lignes de la méthode:

    On a la forme paramétrique d'une conique:

    F(x,y;a_) = a * x^2 + b * x * y + c * y^2 + d * x + e * y + f = 0

    où a_ est le vecteur

    a_ = [a, b, c, d, e, f]'

    (Le ' dénote la transposition)

    Pour une ellipse on doit avoir
    b^2 - 4*a*c < 0

    Soit d le vecteur d = [ x^2, x*y, y^2, x, y, 1]'

    F(x,y; a_) = 0 s'écrit simplement
    F(x,y; a_) = a_' d = 0

    Donc pour tout point de la conique le produit scalaire a_' d doit être nul.

    Comme F(x,y,;a_) = 0 est invariante à un facteur d'échelle prêt on
    peut imposer:
    4*a*c - b^2 = 1

    On a une série de n points (x_i, y_i).

    Pour chaque point, a_' d_i est une mesure algébrique de l'écart du point (x_i, y_i) à l'ellipse.

    On cherche donc a minimiser l'écart de l'ensemble des points à l'ellipse avec:

    min_{a_} \sum_i (a_' d_i)^2
    sous contrainte 4*a*c - b^2 = 1

    En appelant D la matrice

    D = [d_1, ...., d_n]'

    on a \sum_i (a_' d_i)^2 = || D * a_ ||^2 = a_ '* D' * D * a_

    En posant S = D' D
    On a le probème suivant:

    min_{a_} a_ '* S * a_
    sous contrainte a_' C a_ = 1

    où C est la matrice 6x6 où tous les élements vallent 0 sauf pour les éléments:
    C[0,2] = 2
    C[1,1] = -1
    C[2,0] = 2

    Avec cette définition de C on a bien a_' C a_ = 4*a*c - b^2

    En dérivant la fonction à minimiser et la contrainte est en introduisant le multiplicateur de Lagrange l, on obtient le problème équivalent:

    S * a_ = l * C * a_

    qui est une équation aux valeur propre généralisée.

    Les auteurs du papier de référence montre qu'il y a toujours 2 valeurs propres positives et une négative (les autres sont nulles) et que la solution correspond à l'unique valeur propre positive.

    Un souci qui se pose est que les fonctions pour résoudre le problème:

    A x = l * B * x

    fournies dans scipy ne gèrent que les cas où B est semi-définie positive
    or les valeur propre de C sont [2,0,-1,-2]. Ce n'est donc pas le cas.

    Pour résoudre le problème, j'ai décomposé S et C en sous blocks 3x3.
    Comme le seul sous-block 3x3 de C non nul est le premier on peut se ramener à un problème aux valeurs propres généralisée avec des matrices 3x3, qu'il est facile de résoudre analytiquement. Le détail est donnée dans la documentation du code.

    En espérant que ce soit utile.

  2. #2
    Membre du Club
    Inscrit en
    mars 2009
    Messages
    54
    Détails du profil
    Informations forums :
    Inscription : mars 2009
    Messages : 54
    Points : 40
    Points
    40

    Par défaut Algo QZ

    Bonjour,

    Merci pour ce sujet, j'ai suivi le même chemin à partir de l'article de F.L. Bookstein...

    Citation Envoyé par Alexis.M Voir le message
    [...]
    Un souci qui se pose est que les fonctions pour résoudre le problème:

    A x = l * B * x

    fournies dans scipy ne gèrent que les cas où B est semi-définie positive
    or les valeur propre de C sont [2,0,-1,-2]. Ce n'est donc pas le cas.

    Pour résoudre le problème, j'ai décomposé S et C en sous blocks 3x3.
    C'est astucieux ! J'aurais dû tomber sur ce sujet plus tôt...
    Personnellement, j'ai utilisé l'algorithme QZ pour résoudre ce problème.
    Cet algo est contenu dans la fonction DGGEV de la librairie Lapack.

  3. #3
    Expert Confirmé Sénior

    Inscrit en
    janvier 2007
    Messages
    10 132
    Détails du profil
    Informations personnelles :
    Âge : 56

    Informations forums :
    Inscription : janvier 2007
    Messages : 10 132
    Points : 13 087
    Points
    13 087

    Par défaut

    Pour infos, j'avais posté au début de la rubrique une version Fortran d'un ellipse-fitting :

    [FORTRAN] Ellipse fitting algorithm sans hypothèses ou calculs complexes, juste une inversion de pivot..
    "Un homme sage ne croit que la moitié de ce qu’il lit. Plus sage encore, il sait laquelle".

    Consultant indépendant.
    Architecture systèmes complexes. Programmation grosses applications critiques. Ergonomie.
    C, Fortran, XWindow/Motif, Java

    Je ne réponds pas aux MP techniques

  4. #4
    Membre du Club
    Inscrit en
    mars 2009
    Messages
    54
    Détails du profil
    Informations forums :
    Inscription : mars 2009
    Messages : 54
    Points : 40
    Points
    40

    Par défaut

    Citation Envoyé par souviron34 Voir le message
    Pour infos, j'avais posté au début de la rubrique une version Fortran d'un ellipse-fitting
    Merci pour l'information, Souviron34. C'est une version d'ellipse-fitting avec des moindres carrés simple il me semble.

    Juste pour préciser un peu, A. Fitzgibbon et al. propose une méthode par les moindres carrés avec contrainte (c'est la matrice C du post d'Alexis [sous contrainte a_' C a_ = 1] ).
    Si on a des points qui forment le contour complet de l'ellipse, on ne voit presque pas de différence entre les deux méthodes.
    Par contre, si l'ellipse est incomplète (par exemple juste un quart de l'ellipse , représentée par des points bruités), la méthode de A. Fitzgibbon et al. donne de bien meilleurs résultats.

    NB :
    Dommage que ce forum ne prenne pas en compte l'écriture \LaTeX... Le post d'Alexis aurait été plus joli...

  5. #5
    Expert Confirmé Sénior

    Inscrit en
    janvier 2007
    Messages
    10 132
    Détails du profil
    Informations personnelles :
    Âge : 56

    Informations forums :
    Inscription : janvier 2007
    Messages : 10 132
    Points : 13 087
    Points
    13 087

    Par défaut

    Citation Envoyé par MarcNop Voir le message
    Par contre, si l'ellipse est incomplète (par exemple juste un quart de l'ellipse , représentée par des points bruités), la méthode de A. Fitzgibbon et al. donne de bien meilleurs résultats.
    Peut-être, peut-ête pas

    Mon algo avait été fait pour des galaxies, extrêmement bruitées, et je descendais à environ 5% de l'ellipse OK pour déterminer les paramètres...

    Mais bon.. Si tu le dis

    Il est possible que cela dépende des domaines... Dans le mien, c'était 100 fois plus puissant que les algos traditionnels..
    "Un homme sage ne croit que la moitié de ce qu’il lit. Plus sage encore, il sait laquelle".

    Consultant indépendant.
    Architecture systèmes complexes. Programmation grosses applications critiques. Ergonomie.
    C, Fortran, XWindow/Motif, Java

    Je ne réponds pas aux MP techniques

Liens sociaux

Règles de messages

  • Vous ne pouvez pas créer de nouvelles discussions
  • Vous ne pouvez pas envoyer des réponses
  • Vous ne pouvez pas envoyer des pièces jointes
  • Vous ne pouvez pas modifier vos messages
  •