Ograniczająca elipsa

Question

Otrzymałem przypisanie dla modułu graficznego, którego jedną częścią jest obliczenie minimalnej elipsy ograniczającej zbioru dowolnych kształtów. Elipsa nie musi być wyrównana względem osi.

To działa w java (euch) przy użyciu kształtu AWT, więc mogę używać wszystkich narzędzi zapewnia kształty do sprawdzania przechowywania/przecięcia obiektów.

Answer 1

Poszukujesz Minimum Volume Enclosing Ellipsoid, lub w przypadku 2D, minimalnego obszaru. Ten problem optymalizacji jest wypukły i można go skutecznie rozwiązać. Sprawdź kod MATLAB w łączu, który zawarłem - implementacja jest trywialna i nie wymaga niczego bardziej skomplikowanego niż inwersja macierzowa.

Osoby zainteresowane matematyką powinny przeczytać this document.

Wykreślanie elipsy jest również proste - można je znaleźć pod numerem here, ale do wygenerowania punktów na elipsie potrzebna jest funkcja specyficzna dla MATLAB.

Ale ponieważ algorytm zwraca równanie elipsy w postaci macierzowej,

matrix form http://mathurl.com/yz7flxe.png

można użyć tego kodu, aby zobaczyć, jak można przekształcić równanie do postaci kanonicznej,

canonical http://mathurl.com/y86tlbw.png

przy użyciu Singular Value Decomposition (SVD). A następnie łatwo jest wykreślić elipsę za pomocą canonical form.

Oto wynik kodu MATLAB na zestawie 10 losowych punktów 2D (niebieski).

Inne metody, takie jak PCA nie gwarantuje, że elipsa otrzymano z rozkładem (eigen/wartość liczby pojedynczej) będzie minimalna elipsy ograniczającej od punktów na zewnątrz tej elipsy jest wskazanie wariancji.

EDIT:

Więc jeśli ktoś przeczytać dokument, istnieją dwa sposoby, aby przejść na ten temat w 2D: oto pseudokod optymalnego algorytmu - algorytm suboptimal jest jasno wyjaśnione w dokumencie:

Optymalny algorytm:

Input: A 2x10 matrix P storing 10 2D points 
     and tolerance = tolerance for error. 
Output: The equation of the ellipse in the matrix form, 
     i.e. a 2x2 matrix A and a 2x1 vector C representing 
     the center of the ellipse. 

// Dimension of the points 
d = 2; 
// Number of points 
N = 10; 

// Add a row of 1s to the 2xN matrix P - so Q is 3xN now. 
Q = [P;ones(1,N)] 

// Initialize 
count = 1; 
err = 1; 
//u is an Nx1 vector where each element is 1/N 
u = (1/N) * ones(N,1)  

// Khachiyan Algorithm 
while err > tolerance 
{ 
    // Matrix multiplication: 
    // diag(u) : if u is a vector, places the elements of u 
    // in the diagonal of an NxN matrix of zeros 
    X = Q*diag(u)*Q'; // Q' - transpose of Q  

    // inv(X) returns the matrix inverse of X 
    // diag(M) when M is a matrix returns the diagonal vector of M 
    M = diag(Q' * inv(X) * Q); // Q' - transpose of Q 

    // Find the value and location of the maximum element in the vector M 
    maximum = max(M); 
    j = find_maximum_value_location(M); 

    // Calculate the step size for the ascent 
    step_size = (maximum - d -1)/((d+1)*(maximum-1)); 

    // Calculate the new_u: 
    // Take the vector u, and multiply all the elements in it by (1-step_size) 
    new_u = (1 - step_size)*u ; 

    // Increment the jth element of new_u by step_size 
    new_u(j) = new_u(j) + step_size; 

    // Store the error by taking finding the square root of the SSD 
    // between new_u and u 
    // The SSD or sum-of-square-differences, takes two vectors 
    // of the same size, creates a new vector by finding the 
    // difference between corresponding elements, squaring 
    // each difference and adding them all together. 

    // So if the vectors were: a = [1 2 3] and b = [5 4 6], then: 
    // SSD = (1-5)^2 + (2-4)^2 + (3-6)^2; 
    // And the norm(a-b) = sqrt(SSD); 
    err = norm(new_u - u); 

    // Increment count and replace u 
    count = count + 1; 
    u = new_u; 
} 

// Put the elements of the vector u into the diagonal of a matrix 
// U with the rest of the elements as 0 
U = diag(u); 

// Compute the A-matrix 
A = (1/d) * inv(P * U * P' - (P * u)*(P*u)'); 

// And the center, 
c = P * u;