Approximation d'une sphère avec la méthode des moindres carrés

Hypothèses

Cette page explique comment ajuster une sphère (en 3D) à un nuage de points en minimisant les erreurs des moindres carrés.

Approximation d'une sphere avec les moindres carrés

Considérons un nuage de \(n\) points ayant pour coordonnées \( {x_i,y_i} \). Le but est d'estimer \( x_c \) , \( y_c \) , \( z_c \) et \( r \), les paramètres de la
sphère qui épouse au mieux le nuage de points :

L'équation de la sphère idéale est donnée par :

$$ (x_i-x_c)^2 + (y_i-y_c)^2 + (z_i-z_c)^2 = r^2 $$

Système matriciel

L'équation précédente peut être réécrite sous la forme :

$$ x_i^2 + x_c^2 - 2x_ix_c + y_i^2 + y_c^2 - 2y_iy_c + z_i^2 + z_c^2 - 2z_iz_c = r^2 $$

ou encore :

$$ 2x_cx_i + 2y_cy_i + 2z_cz_i + r^2 - x_c^2 - y_c^2 - z_c^2 = x_i^2 + y_i^2 + z_i^2 $$

et finalement :

$$ ax_i + by_i + cz_i + d = x_i^2 + y_i^2 + z_i^2 $$

avec :

Le système complet (pour tous les points) peut donc s'écrire :

$$ \begin{array}{rcl} ax_1 + by_1 + cz_1 + d & = & x_1^2 + y_1^2 + z_1^2 \\ ax_2 + by_2 + cz_2 + d & = & x_2^2 + y_2^2 + z_2^2 \\ & ... & \\ ax_n + by_n + cz_n + d & = & x_n^2 + y_n^2 + z_n^2 \\ \end{array} $$

La formulation matricielle du système est donnée par :

$$ \left[ \begin{matrix} x_1 & y_1 & z_1 & 1 \\ x_2 & y_2 & z_2 & 1 \\ ... & ... & ... & ... \\ x_n & y_n & z_3 & 1 \\ \end{matrix} \right]. \left[ \begin{matrix} a \\ b \\ c \\ d \end{matrix} \right] = \left[ \begin{matrix} x_1^2 + y_1^2 + z_1^2 \\ x_2^2 + y_2^2 + z_2^2 \\ ... \\ x_n^2 + y_n^2 + z_n^2 \\ \end{matrix} \right] $$

Définissions \(A\), \(B\) and \(X\):

$$ \begin{matrix} A=\left[ \begin{matrix} x_1 & y_1 & z_1 & 1 \\ x_2 & y_2 & z_1 & 1 \\ ... & ... & ... \\ x_n & y_n & z_1 & 1 \\ \end{matrix} \right] & B=\left[ \begin{matrix} x_1^2 + y_1^2 + z_1^2 \\ x_2^2 + y_2^2 + z_2^2 \\... \\ x_n^2 + y_n^2 + z_n^2 \\ \end{matrix} \right] & X=\left[ \begin{matrix} a \\ b \\ c \\ d \end{matrix} \right] \end{matrix} $$

Le système est maintenant donné par :

$$ A.X=B $$

Résolution du système

La solution optimale est donnée par :

$$ \hat{x}=A^{+}.B = A^{T}(A.A^{T})^{-1}.B $$

Où \( A^{+} \) est la pseudoinverse de \( A \). \( A^{+} \) peut être calculée avec la formule suivante :

$$ A^{+}=A^{T}(A.A^{T})^{-1} $$

Comme nous avons effectué un changement de variable, il ne nous reste plus quà calculer \( x_c \) , \( y_c \) , \( z_c \) and \( r \) :

$$ x_c = \dfrac{a}{2} $$ $$ y_c = \dfrac{b}{2} $$ $$ z_c = \dfrac{c}{2} $$ $$ r = \dfrac{ \sqrt{4d + a^2 + b^2 + c^2}}{2} $$

et nous obtenons finalement les paramètres du cercle :

Approximation d'une sphère avec la méthode des moindres carrés

Code source

Le code source MatLab ci-dessous a été utilisé pour générer la figure présentée plus haut :

close all;
clear all;
clc;

%% Parameters of the system
%% This is the parameters we need to estimate
% Center
C = [30 , 20, 15];
% Radius
R = 12;

% Number of points
N = 1000;
% Noise
k = 0.002;

%% Create noisy sphere
alpha = 2*pi*rand(1,N);
beta  = 2*pi*rand(1,N);
noise = k*2*randn(1,N)-1;
Points = C + [ R*noise.*cos(alpha) ; R*noise.*sin(alpha).*cos(beta) ; R*noise.*sin(alpha).*sin(beta)  ]';

%% Draw the noisy sphere
plot3 (Points(:,1) , Points(:,2), Points(:,3), 'b.');
axis square equal;
grid on;
xlabel ('X');
ylabel ('Y');
zlabel ('Z');

%% Prepare matrices
A = [Points(:,1) Points(:,2) Points(:,3) ones(N,1)];
B = [Points(:,1).*Points(:,1) + Points(:,2).*Points(:,2) + Points(:,3).*Points(:,3)];

%% Least square approximation
X=pinv(A)*B;

%% Calculate sphere parameters
xc = X(1)/2
yc = X(2)/2
zc = X(3)/2
r = sqrt(4*X(4) + X(1)*X(1) + X(2)*X(2) + X(3)*X(3) )/2

%% Draw the fitted sphere
[X, Y, Z] = sphere;
X = xc + X*r;
Y = yc + Y*r;
Z = zc + Z*r;
hold on;
surf (X, Y, Z, 'FaceAlpha', 0.2, 'EdgeAlpha', 0.1);
legend ('Points', 'Least-square sphere');

Téléchargement

Le code source MatLab ci-dessous a été utilisé pour générer la figure présentée plus haut :

least-squares-sphere-fitting.m

Voir aussi


Dernière mise à jour : 10/02/2022