1.说到直线拟合，一般是用最小二乘啦，在opencv里面就是用cv.fitLine来完成，首先简单介绍一下该函数：
cv.fitLine(points, distType, param, reps, aeps[, line]) -> line
points：点集坐标
distType：距离度量的方法，有cv.DIST_L2，cv.DIST_L1等等，L2就是距离r平方的一半，L1就是距离r，其它的可以参考opencv官方文档
param：就是上图里面的那些c，L1、L2的话就用不到啦，填0即可
reps：原点精度要求（即返回值里面的x，y，也就是直线上的一个点），一般用0.01
aeps：角度精度要求（即返回值里面的vx，vy），一般也用0.01
返回值：vx, vy, x, y。x,y即直线上一个点的坐标，而vy/vx就是斜率，它其实对应的方程如下：
接下来简单试一下：
pts = np.array([[1, 0], [0, 1]])
vx, vy, x, y = cv.fitLine(pts, cv.DIST_L2, 0, 0.01, 0.01)
print('vx = {}, vy = {}, x = {}, y= {}'.format(vx, vy, x, y))输出结果：vx = [0.70710677], vy = [-0.70710677], x = [0.5], y= [0.5]
如果像下面这样，给坐标再套一层，其实也行，其实这个多套了一层的就是发现轮廓返回的数据格式（即cv.findContours）。
pts = np.array([[[1, 0]], [[0, 1]]])
vx, vy, x, y = cv.fitLine(pts, cv.DIST_L2, 0, 0.01, 0.01)
print('vx = {}, vy = {}, x = {}, y= {}'.format(vx, vy, x, y))2.如果要拟合直线的点集并没有什么干扰那是很简单的，直接用这个函数就行了，比如下图，左边就是我画的一条线，中间再擦除一点东西，其实没有什么干扰，右边就是拟合结果画出来的直线，肯定没什么问题了。
先放上测试代码，没啥好说的，看注释里面的说明：
import cv2 as cv
import numpy as np
import math
import timesrc = None
xb = None
yb = None
vx = None
vy = None
draw_mode = 0def fitline_callback(event, x, y, flags, param):global xb, yb, src, draw_mode, vx, vyif xb == x or yb == y:return# 模式0：画直线，模式1：橡皮擦，点一下擦个圆，模式2：直线拟合if event == cv.EVENT_MBUTTONDOWN:draw_mode += 1draw_mode %= 3returnif draw_mode == 0:if event == cv.EVENT_LBUTTONDOWN:xb = xyb = yelif event == cv.EVENT_LBUTTONUP:cv.line(src, (xb, yb), (x, y), (255, 0, 0), 1, cv.LINE_AA)cv.imshow('src', src)elif draw_mode == 1:if event == cv.EVENT_LBUTTONDOWN:cv.circle(src, (x, y), 5, (0, 0, 0), -1, cv.LINE_AA)cv.imshow('src', src)elif draw_mode == 2:if event == cv.EVENT_LBUTTONDOWN:src_test = np.copy(src)gray = cv.cvtColor(src_test, cv.COLOR_BGR2GRAY)# 这边就是获得图上像素值不为0的点集坐标，为啥是::-1？因为行号是y坐标，列数是x坐标，得倒过来才行啦。# x，y是分开的，所以得用dstack把它们拼起来，这个跟torch.cat差不多哦，不明白的话可以看我的上一篇博客~~pts = np.dstack(np.where(gray > 0)[::-1]).reshape(-1, 2)start_time = time.time()vx, vy, x, y = cv.fitLine(pts, cv.DIST_L2, 0, 0.01, 0.01)end_time = time.time()print("耗时{}秒".format((end_time - start_time)))lefty = int((-x * vy / vx) + y) # 这个就是x=0时，y是多少righty = int(((src.shape[1] - x) * vy / vx) + y) # 这个是x等于图像宽度时，y是多少，参考我上面那个直线方程的图就明白了cv.line(src_test, (src.shape[1] - 1, righty), (0, lefty), (0, 255, 0), 1, cv.LINE_AA)cv.imshow('src_test', src_test)def fitline_test():global srcsrc = np.zeros((500, 800, 3), dtype=np.uint8)cv.namedWindow('src', cv.WINDOW_AUTOSIZE)cv.imshow('src', src)cv.setMouseCallback('src', fitline_callback, None)cv.waitKey(0)cv.destroyAllWindows()if __name__ == '__main__':fitline_test()
接下来加了一些干扰进去，发现就不行了。
2.那么有什么办法能把那些干扰去掉呢，这里就用一个叫做“随机抽样一致性（RANSAC）”的算法，首先声明一下：这个方法好不好用不敢说，如果有什么更好的方法欢迎在评论区指点。
首先说两个名词：
局内项：即都是在主要的那条直线上的点
局外项：即干扰项，或者说是错误项
假设局内项占总数百分比为w，我一次随机抽选n个点进行拟合，那么n个点都是局内项的概率就是w^n(w的n次方，这里就用^表示次方了)
n个点里至少有一个是局外项的概率（其实就是有局外项的概率啦）即1-w^n
一共尝试k次，即第一次选n个点拟合一下，第二次再选n个点拟合一下，。。。直到第k次，那么这k次都有局外项的概率就是(1-w^n)^k
所以k次里面至少有一次没有局外项的概率就是1-(1-w^n)^k，即置信概率c，稍微有那么一点点绕哈，一步步想就想明白了，这个概论就是我们最终要的概率，我们要求不高，我们就指望这k次里面出现一次都是局内项就行了，这个概率越高，我们的成功率就越高了，所以在实际使用过程中，我们可以把c设高一点，比如设为0.98，即98%
等等，还并没有说完，k次里面出现了一次全是局内项的情况有啥用呢？我们每一次抽选n个点的时候，用它们拟合直线（就用cv.fitline就蛮好），拟合出来之后，剩余的点（就是没抽选的点）都需要计算一下跟这条直线的距离，如果距离大于阈值（设置的阈值，比如2个像素值），那就是局外项，否则就是局内项，统计局内项的个数，这个个数如果越大，那就说明这次选的n个点就越可能都是局内项。所以呢最终我们要的就是局内项最多的那一次的选择。是不是很有道理的样子！
再等下，还有一个问题没解决，就是这个k到底是多少呢，上面说了c=1-(1-w^n)^k，c、n明显是我们自己决定了，比如置信概率c定为0.98，n就选为2（两点就是一条直线了麻），w我们多半不会知道明确的w值，但我们可以估计啊。比如局外项差不多在10分之1，那w就可以估到0.8（求稳），估0.9其实也可以（算起来更快哦），现在只有k一个变量了，那k就可以解了。不过为了说明我们求解的意义，以及实际我们需要的k到底是比这个解大？还是比这个解小？（其实实际需要抽样的次数肯定是大于等于k了），我们还是演算一下。
直接上图，P就是至少有一次都是局内项的概率，现在P要大于c，解到红框处时，k到底是大于一个值呢，还是小于一个值呢，看图的右边，底数明显小于1，此指数函数如右图所示，函数值y要小于1-C，x明显是要大于一个值了。
先放一下实验效果，中间就是直接用fitline拟合，右边是用RANSAC算法拟合，效果还不错。
运行时间如下，第一次耗时就是直接用fitline了，第二次耗时是用RANSAC， 我设的c是0.98，w是0.6，抽样点数是2，计算出的k(iter_num)是8，并不需要试多少次，所以蛮快的。
声明一下，不同电脑运行速度不一样啊，白天我用的老古董台式机还要0.05秒的样子，看来那CPU是真不行了。
接下来直接上代码，具体实现跟上面说的完成一样，就是试k次，每次计算局内项，最终采用局内项最多的那一次。直接上全部代码，测试代码有更新（把采用ransac的方法加进去了），ransac拟合直线的函数就是fitline_ransac
import cv2 as cv
import numpy as np
import math
import timedef get_distance_line_and_p_batch(vx, vy, p0, p1_list):"""求点到直线距离:param vx::param vy::param p0: 线上点:param p1: 线外点:return:"""# print("vx = {}, vy = {}, p0 = {}, p1 = {}".format(vx, vy, p0, p1))x0, y0 = p0B0 = [vy * x0 - vx * y0] * len(p1_list)B1 = [vx * p1[0] + vy * p1[1] for p1 in p1_list]A = np.array([[vy, -vx], [vx, vy]], dtype=np.float32)B = np.array([B0, B1], dtype=np.float32)ret, X = cv.solve(A, B, flags=cv.DECOMP_LU)x2 = X[0, :]y2 = X[1, :]x1 = np.array([p1[0] for p1 in p1_list], dtype=np.float32)y1 = np.array([p1[1] for p1 in p1_list], dtype=np.float32)return ((x2 - x1) ** 2 + (y2 - y1) ** 2) ** 0.5, x2, y2def fitline_ransac(pts, distance, confidence, correct_rate, fit_use_num=2):"""拟合直线:param pts::param distance::param confidence: 置信度:param correct_rate: 估计局内项所占比率:param fit_use_num: 一次拟合所用点数:return:"""iter_num = int(math.log(1 - confidence, 1 - correct_rate ** fit_use_num))pts = np.float32(pts)print("iter_num = {}".format(iter_num))inliers = Noneinliers_num = 0for i in range(iter_num):tmp_pts = pts[np.random.choice(pts.shape[0], fit_use_num)]tmp_vx, tmp_vy, tmp_x, tmp_y = cv.fitLine(tmp_pts, cv.DIST_L2, 0, 0.01, 0.01)tmp_vx = tmp_vx[0]tmp_vy = tmp_vy[0]tmp_x = tmp_x[0]tmp_y = tmp_y[0]tmp_distance, _, _ = get_distance_line_and_p_batch(tmp_vx, tmp_vy, (tmp_x, tmp_y), pts)tmp_inliers = np.uint8(tmp_distance <= distance) # 小于等于阈值的就是局内项tmp_inliers_num = np.sum(tmp_inliers)if inliers_num < tmp_inliers_num: # 如果当前这次抽样的局内项更大，那就采用当前这一次inliers_num = tmp_inliers_numinliers = tmp_inliers# 之前两个点的拟合只是为了排除局外项，再用所有局内项拟合一次，结果更精确tmp_pts = pts[inliers > 0]vx, vy, x, y = cv.fitLine(tmp_pts, cv.DIST_L2, 0, 0.01, 0.01)print("total_num = {}, inliers_num = {}".format(pts.shape[0], inliers_num))return vx, vy, x, ysrc = None
xb = None
yb = None
vx = None
vy = None
draw_mode = 0def fitline_callback(event, x, y, flags, param):global xb, yb, src, draw_mode, vx, vyif xb == x or yb == y:return# 模式0：画直线，模式1：橡皮擦，点一下擦个圆，模式2：直线拟合if event == cv.EVENT_MBUTTONDOWN:draw_mode += 1draw_mode %= 3returnif draw_mode == 0:if event == cv.EVENT_LBUTTONDOWN:xb = xyb = yelif event == cv.EVENT_LBUTTONUP:cv.line(src, (xb, yb), (x, y), (255, 0, 0), 1, cv.LINE_AA)cv.imshow('src', src)elif draw_mode == 1:if event == cv.EVENT_LBUTTONDOWN:cv.circle(src, (x, y), 5, (0, 0, 0), -1, cv.LINE_AA)cv.imshow('src', src)elif draw_mode == 2:if event == cv.EVENT_LBUTTONDOWN:src_test = np.copy(src)gray = cv.cvtColor(src_test, cv.COLOR_BGR2GRAY)# 这边就是获得图上像素值不为0的点集坐标，为啥是::-1？因为行号是y坐标，列数是x坐标，得倒过来才行啦。# x，y是分开的，所以得用dstack把它们拼起来，这个跟torch.cat差不多哦，不明白的话可以看我的上一篇博客~~pts = np.dstack(np.where(gray > 0)[::-1]).reshape(-1, 2)start_time = time.time()vx, vy, x, y = cv.fitLine(pts, cv.DIST_L2, 0, 0.01, 0.01)end_time = time.time()print("耗时{}秒".format((end_time - start_time)))lefty = int((-x * vy / vx) + y) # 这个就是x=0时，y是多少righty = int(((src.shape[1] - x) * vy / vx) + y) # 这个是x等于图像宽度时，y是多少，参考我上面那个直线方程的图就明白了cv.line(src_test, (src.shape[1] - 1, righty), (0, lefty), (0, 255, 0), 1, cv.LINE_AA)cv.imshow('src_test', src_test)src_test = np.copy(src)start_time = time.time()vx, vy, x, y = fitline_ransac(pts, 2, 0.98, 0.6, 2)end_time = time.time()print("耗时{}秒".format((end_time - start_time)))lefty = int((-x * vy / vx) + y)righty = int(((src.shape[1] - x) * vy / vx) + y)cv.line(src_test, (src.shape[1] - 1, righty), (0, lefty), (0, 255, 0), 1, cv.LINE_AA)cv.imshow('src_test1', src_test)def fitline_test():global srcsrc = np.zeros((500, 800, 3), dtype=np.uint8)cv.namedWindow('src', cv.WINDOW_AUTOSIZE)cv.imshow('src', src)cv.setMouseCallback('src', fitline_callback, None)cv.waitKey(0)cv.destroyAllWindows()if __name__ == '__main__':fitline_test()
还有一点没有具体说的就是：算局内项局外项的时候不是得算点和直线距离吗，这个怎么算？其实很简单啦，求点到直线的垂线的交点，然后算两点距离就是点线距离啦（不过好像还有更简单的哦，可能直接就能得到点线距离的公式，得研究研究~~）。这里就不详述了，求点线距离的函数先直接给到代码里，即get_distance_line_and_p_batch。如果感兴趣，见听下回分解，单独水一篇“点线距离”
