Voir la source de Régression elliptique

Vous n’avez pas la permission de modifier cette page, pour la raison suivante :

Votre adresse IP fait partie d’une plage qui a été bloquée sur tous les wikis de la Fondation Wikimédia.

Le blocage a été effectué par ‪EPIC‬. Le motif invoqué est Open proxy/Webhost: See the help page if you are affected.

Début du blocage : 2 juillet 2024 à 09:48
Expiration du blocage : 2 juillet 2025 à 09:48

Votre adresse IP actuelle est 206.189.44.186. La plage bloquée est 206.189.32.0/20.

Veuillez inclure tous les détails ci-dessus dans toutes les demandes que vous effectuerez. Si vous pensez avoir été bloqué(e) par erreur, vous pouvez trouver plus d’informations et d’instructions dans la politique globale Pas de serveurs mandataires ouverts.

Sinon, pour discuter du blocage, veuillez publier une demande de révision sur Méta-Wiki. Vous pouvez également envoyer un courriel à la file des coordinateurs VRT à stewards@wikimedia.org, en incluant tous les détails ci-dessus.

Vous pouvez voir et copier le contenu de cette page.

{{loupe|Ajustement de courbe}}

La '''régression elliptique''' consiste à trouver la « meilleure [[ellipse (mathématiques)|ellipse]] », au sens des [[méthode des moindres carrés|moindres carrés]], décrivant un ensemble de points. C'est un cas de régression géométrique, c'est-à-dire que la distance point-courbe modèle à laquelle on s'intéresse est une distance perpendiculaire à la courbe — méthode des moindres carrés totaux (TLS pour ''total least squares'', ou FLS pour ''full least squares'') —, et non une distance verticale (en ''y''). La régression elliptique est une généralisation de la [[régression circulaire]].

== Méthodes de la distance algébrique ==

Une ellipse peut être définie par l'équation cartésienne
:<math>F(x, y) = 0</math>
où {{mvar|F}} est la formule quadratique :
:<math>F(x, y) = A_1 x^2 + A_2 xy + A_3 y^2 + A_4 x + A_5 y + A_6.</math>
La fonction {{mvar|F}} est également appelée « distance algébrique » du point {{math|(''x'', ''y'')}} à l'ellipse.

On dispose des coordonnées des ''n'' points expérimentaux, notées {{math|(''x<sub>i</sub>'', ''y<sub>i</sub>'')<sub>1 ≤ ''i'' ≤ ''n''</sub>}}.
On cherche à minimiser la somme des carrés des distances algébriques, c'est-à-dire
:<math>\mathrm{S}_{\mathrm{alg}} = \sum_{i=1}^n F(x_i,y_i)^2</math>.

On peut écrire le problème sous forme matricielle : on définit la matrice des monômes
: <math>\mathrm{D} = \begin{pmatrix}
x_1^2 & x_1 y_1 & y_1^2 & x_1 & y_1 & 1 \\
\vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\
x_n^2 & x_n y_n & y_n^2 & x_n & y_n & 1 \\
\end{pmatrix}</math>
et la matrice des paramètres de l'ellipse
: <math>\mathbf{a} = \begin{pmatrix}
A_1 \\ \vdots \\ A_6
\end{pmatrix}</math>
le problème consiste alors à minimiser
: <math>\mathrm{S}_{\mathrm{alg}} = \left\| \mathrm{D}\mathbf{a}\right\|^2</math>

=== Régression quadratique multilinéaire ===

[[Fichier:Regression quadratique lineaire donnees gander.svg|vignette|Régression quadratique par la méthode de la distance algébrique.]]

La méthode de la régression quadratique consiste à faire une [[régression linéaire multiple]] (à l'instar de la [[régression polynomiale]]). En effet, on peut transformer l'équation en
:<math>x^2 = A_2 xy + A_3 y^2 + A_4 x + A_5 y + A_6</math>
en choisissant arbitrairement {{math|''A''<sub>1</sub> {{=}} –1}}<ref>Ce choix est valide grâce au [[paradoxe de Cramer]] : une ellipse sera totalement déterminée par cinq points.</ref>. On peut alors poser :
: <math>Y = x^2, \quad X_2 = xy \quad X_3 =y^2 \quad X_4 = x \quad X_5 = y</math>
on a donc bien un modèle multilinéaire
:<math>Y = A_2X_2 + A_3 X_3 + A_4 X_4 + A_5 X_5 + A_6.</math>
Le résultat de cette régression pour un nuage de points<ref name="gander">{{article
 | prénom1 = Walter | nom1 = Gander
 | prénom2 = Gene H. | nom2 = Golub
 | prénom3 = Rolf | nom3 = Strebel
 | titre = Least-Squares Fitting of Circles and Ellipses
 | périodique = BIT Numerical Mathematics
 | éditeur  = Springer
 | issn1 = 0006-3835
 | issn2 = 1572-9125
 | mois = décembre
 | année = 1994
 | volume = 34
 | numéro = 4
 | passage = 558-578
 | lire en ligne = https://link.springer.com/article/10.1007%2FBF01934268
}}</ref> est donné sur la figure ci-contre.

Présenté comme ceci, la méthode consiste à minimiser
: <math>\mathrm{S}_{\mathrm{quad}} = \sum_i (x_i^2 - (A_2 x_iy_i + A_3 y_i^2 + A_4 x_i + A_5 y_i + A_6))^2</math>.
On peut remarquer que l'on pourrait extraire un autre facteur, en posant ''Y'' = ''y''<sup>2</sup>, ''xy'', ''x'' ou bien ''y'', et qu'il n'y a pas de raison d'avoir le même résultat à chaque fois.

Le deuxième problème est que la forme quadratique définit de manière générale une [[conique]] ; le meilleur candidat peut donc être une hyperbole ou une parabole. Il faut donc ajouter une contrainte propre aux ellipses, à savoir que le discriminant de la forme quadratique associée soit strictement négatif :
:<math>\Delta = A_2^2 - 4A_1A_3 < 0.</math>
Les coefficients {{mvar|A<sub>i</sub>}} sont définis à un facteur multiplicatif près. On peut donc exprimer cette condition par
:<math>\Delta = -1 \ \Longleftrightarrow \ 4A_1A_3 - A_2^2 = 1.</math>
L'ajout de cette contrainte complique la résolution. Plusieurs solutions ont été développées pour éviter de passer par une étape itérative, source potentielle d'instabilité numérique.

=== Résolution par décomposition en valeurs singulières ===

Gander et coll.<ref name = "gander"/> proposent d'effectuer une [[décomposition en valeurs singulières]] de {{mvar|D}} :
:<math>D = USV</math>
où {{mvar|U}} est une [[matrice unitaire]] ''n'' × ''n'', {{mvar|V}} une matrice unitaire 6 × 6 et {{mvar|S}} est une matrice ''n'' × 6 qui contient les [[valeur singulière|valeurs singulières]] de {{mvar|D}}. On a alors
: <math>\mathbf{a} = \begin{pmatrix}
V_{16} \\ V_{26} \\ \vdots \\ V_{66}
\end{pmatrix}</math>
Les coefficients sont définis à une constante multiplicatrice près. Cette méthode consiste donc, d'une manière ou d'une autre, à appliquer la contrainte
:<math> \left\|\mathbf{a}\right\| = 1.</math>
Le principal inconvénient de cette méthode est que la contrainte n'est pas invariante par les [[Transformation euclidienne|transformations euclidiennes]], et en particulier par les [[isométrie]]s : [[translation (géométrie)|translation]], [[rotation plane|rotation]], [[symétrie (transformation géométrique)|symétrie]]. Ainsi, le demi-grand axe et le demi-petit axe de l'ellipse peuvent être différents si l'on tourne le nuage de points.

Bookstein<ref>{{article
 | prénom1 = Fred L. | nom1 = Bookstein
 | titre = Fitting Conic Sections to Scattered Data
 | périodique = Computer Graphics and Image Processing
 | numéro = 9
 | année = 1979
 | passage = 56-71
}}</ref> a proposé à la place d'utiliser la contrainte
:<math>A_1^2 + A_2^2 + 1_3^2 = 1</math>
ce qui revient à imposer une contrainte sur l'équation réduite, qui est elle indépendante des isométries :
: équation cartésienne réduite :<math>\lambda_1 \overline{x}^2 + \lambda_2 \overline{y}^2 + \overline{c}^2  = 0</math>
: contrainte de Bookstein : <math>\lambda_1^2 + \lambda_2^2 = 1.</math>

Bookstein propose de résoudre ce problème par [[Matrice symétrique#Décomposition spectrale|décomposition spectrale]] (recherche des valeurs et vecteurs propres), mais Gander et coll. proposent plutôt de résoudre le problème par décomposition en valeurs singulières. Pour cela, on définit la matrice de données modifiée
: <math>D' = \begin{pmatrix}
x_1 & y_1 & 1 & x_1^2 & \sqrt{2}x_1 y_1 & y_1^2 \\
\vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\
x_n & y_n & 1 & x_n^2 & \sqrt{2}x_n y_n & y_n^2 \\
\end{pmatrix}</math>
et les vecteurs de paramètres
: <math>\mathbf{v} = \begin{pmatrix}
\mathrm{A}_4 \\ \mathrm{A}_5 \\ \mathrm{A}_6
\end{pmatrix}</math>
: <math>\mathbf{w} = \begin{pmatrix}
\mathrm{A}_1 \\ \mathrm{A}_2/\sqrt{2} \\ \mathrm{A}_3
\end{pmatrix}</math>
et l'on doit donc minimiser
: <math>D'
\begin{pmatrix} \mathbf{v} \\ \mathbf{w} \end{pmatrix}</math>
avec la contrainte ∥'''w'''∥ = 1. Pour cela, on fait la [[factorisation QR]] de D', puis on scinde la matrice R (matrice triangulaire supérieure) pour avoir un bloc R<sub>22</sub> de dimensions 3 × 3, et donc deux blocs R<sub>11</sub> et R<sub>12</sub> de dimension 3 × (''n'' – 3) :
: <math>\mathrm{R} = \begin{pmatrix}
\mathrm{R}_{11} & \mathrm{R}_{12} \\
0 & \mathrm{R}_{22}  
\end{pmatrix}</math>
Le problème se ramène alors à chercher le minimum de R<sub>22</sub>'''w'''. On effectue pour cela la décomposition en valeurs singulières de R<sub>22</sub>.

=== Utilisation des multiplicateurs de Lagrange ===

[[Fichier:Regression elliptique distance algebrique donnees gander.svg|vignette|Régression elliptique par la méthode de Fitzgibbon.]]

Fitzgibbon et coll.<ref>{{article
 | prénom1 = Andrew W. | nom1 = Fitzgibbon
 | prénom2 = Maurizio | nom2 = Pilu
 | prénom3 = Robert B. | nom3 = Fisher
 | titre = Direct least squares fitting of ellipses
 | langue = en
 | périodique = IEEE Transactions on Pattern Analysis and Machine Intelligence
 | volume = 21
 | numéro = 5
 | mois = mai
 | année = 1999
 | passage = 476-480
 | lire en ligne = http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/FITZGIBBON/ELLIPSE/
}}</ref> a proposé de minimiser la somme des carrés des distances algébriques, et d'utiliser la méthode des [[Multiplicateur de Lagrange|multiplicateurs de Lagrange]] pour intégrer la contrainte. En effet, il s'agit bien de minimiser une fonction φ(A<sub>1</sub>, …, A<sub>6</sub>) définie par
: <math>\begin{align}
\varphi\ :\ & \mathbb{R}^6 \rightarrow \mathbb{R} \\
& (\mathrm{A}_1, \ldots, \mathrm{A}_6) \mapsto \sum_{i = 1}^n \mathrm{F}(x_i, y_i)^2
\end{align}</math>
les points (''x<sub>i</sub>'', ''y<sub>i</sub>'')<sub>1 ≤ ''i'' ≤ ''n''</sub> étant connus, avec une contrainte ψ(A<sub>1</sub>, …, A<sub>6</sub>) = 0, la fonction ψ étant définie par
: <math>\begin{align}
\psi\ :\ & \mathbb{R}^6 \rightarrow \mathbb{R} \\
& (\mathrm{A}_1, \ldots, \mathrm{A}_6) \mapsto \Delta + 1
\end{align}</math>
les fonctions φ et ψ étant de classe C<sup>∞</sup> (polynômes), donc ''a fortiori'' de [[Classe de régularité|classe C<sup>1</sup>]].

On note pour la suite '''a''' le vecteur de '''R'''<sup>6</sup>
: <math>\mathbf{a} = \begin{pmatrix} \mathrm{A}_1 \\ \vdots \\ \mathrm{A}_6 \end{pmatrix}</math>
et les matrices représentatives des [[application linéaire|applications linéaires]] de '''R'''<sup>6</sup> dans '''R'''<sup>6</sup> :
* matrice de conception (''{{lang|en|design matrix}}'') <math>\mathbf{D} = \begin{pmatrix}
x_1^2 & x_1 y_1 & y_1^2 & x_1 & y_1 & 1 \\
\vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\
x_n^2 & x_n y_n & y_n^2 & x_n & y_n & 1 \\
\end{pmatrix}</math>
* matrice de contrainte <math>\mathbf{C} = \begin{pmatrix}
0 & 0 & 2 & 0 & 0 & 0 \\
0 & -1 & 0 & \vdots & \vdots  & \vdots \\
2 & 0 & 0 & \vdots & \vdots & \vdots \\
0 & \cdots  & \cdots & \ddots & \vdots & 0 \\
0 & \cdots & \cdots & \cdots & \ddots & 0 \\
0 & \cdots  & \cdots & \cdots & \cdots & 0
\end{pmatrix}</math>
et l'on a donc
:<math>\varphi(\mathbf{a}) = \left\|\mathrm{Da}\right\|^2 = {}^\mathrm{t}(\mathrm{Da})(\mathrm{Da})</math>
:<math>\psi(\mathbf{a}) = {}^\mathrm{t}\mathrm{aDa}</math>
où <sup>t</sup>M désigne la transposée de la matrice M.
On peut donc poser la fonction L :
: <math>\begin{align}
\mathrm{L}\ :\ & \mathbb{R}^6 \times \mathbb{R} \to \mathbb{R} \\
& (\mathbf{a}, \lambda) \mapsto \varphi(\mathbf{a}) + \lambda \cdot \psi(\mathbf{a})
\end{align}</math>
Si '''a'''<sub>0</sub> est une solution recherchée (φ est minimale en '''a'''<sub>0</sub> ''et'' '''a'''<sub>0</sub> satisfait la condition de contrainte), alors il existe une valeur λ<sub>0</sub> non nulle telle que la différentielle dL soit nulle en ('''a'''<sub>0</sub>, λ<sub>0</sub>) : ∂L/∂A<sub>''i''</sub> = 0 pour tout ''i'', et ∂L/∂λ = 0. En calculant les dérivées partielles, on arrive au système d'équations
: <math>\left \{ \begin{align}
2{}^{\mathrm{t}}\mathbf{D}\mathbf{D}\mathbf{a} - 2 \lambda \mathbf{C}\mathbf{a} &\ = 0 \\
{}^{\mathrm{t}}\mathbf{a}\mathbf{C}\mathbf{a} & \ = 1
\end{align} \right .</math>
En posant la matrice de dispersion ('{{lang|en|scatter matrix}}) {{math|'''S''' {{=}}{{exp|t}}'''DD'''}}
on a
: <math>\left \{ \begin{align}
\mathbf{S}\mathbf{a} &\ = \lambda \mathbf{C}\mathbf{a}  & [1] \\
{}^{\mathrm{t}}\mathbf{a}\mathbf{C}\mathbf{a} & \ = 1 & [2]
\end{align} \right .</math>
Les matrices '''S''' et '''C''' sont des matrices carrées 6×6.

Notons que l'équation [2] peut s'écrire
: <math>\mathbf{a}_i\mathbf{Ca}i = \lambda_i \mathbf{a}_i\mathbf{Sa}i</math>
comme '''S''' est en général définie positive, cela revient à dire que λ<sub>''i''</sub> doit être positive.

Il reste donc à résoudre l'équation [1] ; cela peut se faire de plusieurs manières.

Par construction, la matrice '''S''' a de grandes chances d'être [[matrice définie positive|définie positive]], donc [[Matrice inversible|inversible]]. L'équation [1] peut donc s'écrire
: <math>\mathbf{a}=\lambda\mathbf{S}^{-1}\mathbf{Ca} \ \Longleftrightarrow\ \mathbf{S}^{-1}\mathbf{Ca}=\frac{1}{\lambda}\mathbf{a}</math>
si λ est non nulle. Ainsi, '''a''' est un [[vecteur propre]] de '''S'''<sup>-1</sup>'''Ca''', associé à la [[valeur propre]] 1/λ.

On peut aussi remarquer que l'équation [1] est un [[problème aux valeurs propres généralisé]], c'est-à-dire à une recherche du [[sous-espace caractéristique]] (notion généralisée des [[Valeur propre (synthèse)|valeurs propres et vecteurs propres]]).

On obtient donc six solutions (λ<sub>''i''</sub>, '''a'''<sub>''i''</sub>) à l'équation [1], mais rien ne garantit qu'elles vérifient l'équation [2]. Cependant, si '''a'''<sub>''i''</sub> est un vecteur propre, alors μ<sub>''i''</sub>'''a'''<sub>''i''</sub> est aussi un vecteur propre pour tout μ<sub>''i''</sub> non nul, il faut donc trouver une valeur de μ<sub>''i''</sub> telle que
: <math>{}^\mathrm{t}(\mu_i \mathbf{a}_i)\mathbf{C}(\mu_i \mathbf{a}_i) = \mu_i^2 {}^\mathrm{t}\mathbf{a}_i\mathbf{C} \mathbf{a}_i = 1</math>
La valeur de μ<sub>''i''</sub> est réelle si <sup>t</sup>'''a'''<sub>''i''</sub>'''Ca'''<sub>''i''</sub> est positif, donc si (1/λ<sub>''i''</sub>)<sup>t</sup>'''a'''<sub>''i''</sub>'''Sa'''<sub>''i''</sub>. '''S''' étant définie positive, <sup>t</sup>'''a'''<sub>''i''</sub>'''Sa'''<sub>''i''</sub> est strictement positive, donc
: μ<sub>''i''</sub> est réelle si λ<sub>''i''</sub> est positive.

Donc, une condition nécessaire pour qu'un vecteur de coefficients '''a'''<sub>''i''</sub> corresponde à la meilleure ellipse est que ce soit un vecteur propre associé à une valeur propre positive. Fitzgibbon et coll. démontrent qu'il n'y a qu'une seule valeur propre positive, donc que la solution est unique.

=== Scission des matrices ===

Halíř et coll.<ref name = "halir">{{article
 | prénom1 = Radim | nom1 = Halíř
 | prénom2 = Jan | nom2 = Flusser
 | titre = Numerically Stable Direct Least Squares Fitting of Ellipses
 | périodique = Winter School of Computer Graphics
 | langue = en
 | année = 1998
 | volume = 6
 | issn1 = 1213-6972
 | issn2 = 1213-6964
 | lire en ligne = http://wscg.zcu.cz/wscg1998/papers98/Halir_98.ps.gz
}}</ref> on proposé des améliorations :
* la matrice '''C''' est [[matrice singulière|singulière]], et '''S''' est presque singulière (elle l'est si tous les points sont exactement sur l'ellipse), la détermination des valeurs propres est donc numériquement instable et peut générer des résultats infinis ou complexes ;
* si tous les points sont exactement sur l'ellipse, la valeur propre est 0 ; donc la valeur propre recherchée est proche de 0, et de fait, l'approximation numérique peut donner des résultats légèrement négatifs, solution qui serait alors rejetée par l'algorithme.

Pour résoudre ces problèmes, ils proposent de scinder les matrices ([[Matrice par blocs|matrices par blocs]]) :
* <math>\mathbf{D} = (\mathbf{D_1} | \mathbf{D_2})</math> avec <math>\mathbf{D_1} = \begin{pmatrix}
x_1^2 & x_1 y_1 & y_1^2 \\
\vdots & \vdots & \vdots \\
x_n^2 & x_n y_n & y_n^2 \\
\end{pmatrix}</math> et <math>\mathbf{D_2} = \begin{pmatrix}
x_1 & y_1 & 1 \\
\vdots & \vdots & \vdots \\
x_n & y_n & 1 \\
\end{pmatrix}</math> ;
* <math>\mathbf{S} = \left ( \begin{array}{c | c}
\mathbf{S_1} & \mathbf{S_2} \\ \hline
^{\mathrm{t}}\mathbf{S_2} & \mathbf{S_3}
\end{array} \right )</math> avec '''S<sub>1</sub>''' = <sup>t</sup>'''D<sub>1</sub>D<sub>1</sub>''', '''S<sub>2</sub>''' = <sup>t</sup>'''D<sub>1</sub>D<sub>2</sub>''' et '''S<sub>3</sub>''' = <sup>t</sup>'''D<sub>2</sub>D<sub>2</sub>''' ;
* <math>\mathbf{C} = \left ( \begin{array}{c | c}
\mathbf{C_1} & 0 \\ \hline
0 & 0
\end{array} \right )</math> avec <math>\mathbf{C_1} = \begin{pmatrix}
0 & 0 & 2 \\
0 & -1 & 0 \\
2 & 0 & 0
\end{pmatrix}</math>
* <math>\mathbf{a} = \begin{pmatrix} \mathbf{a_1} \\ \hline \mathbf{a_2} \end{pmatrix}</math> avec <math>\mathbf{a_1} = \begin{pmatrix} \mathrm{A}_1 \\ \mathrm{A}_2 \\ \mathrm{A}_3 \end{pmatrix}</math> et <math>\mathbf{a_2} = \begin{pmatrix} \mathrm{A}_4 \\ \mathrm{A}_5 \\ \mathrm{A}_6 \end{pmatrix}</math>.
L'équation [1] devient alors le système
: <math>\left \{ \begin{align}
\mathbf{S_1} \mathbf{a_1} + \mathbf{S_2} \mathbf{a_2} & = \lambda \mathbf{C_1} \mathbf{a_1} & [3] \\
^{\mathrm{t}}\mathbf{S_2} \mathbf{a_1} + \mathbf{S_3} \mathbf{a_2} & = 0 &[4]\\
\end{align} \right .</math>
La matrice '''S<sub>3</sub>''' correspond à une [[régression linéaire]] ; elle est singulière si les points sont strictement alignés, or cela n'a pas de sens de faire une régression elliptique sur des points alignés. On peut donc considérer que '''S<sub>3</sub>''' est régulière (inversible). La matrice '''C<sub>1</sub>''' est elle aussi régulière, le système d'équation devient donc
: <math>\left \{ \begin{align}
\mathbf{M} \mathbf{a_1} & = \lambda \mathbf{a_1} & [5] \\
-\mathbf{S_3}^{-1}\,^{\mathrm{t}}\mathbf{S_2}\mathbf{a_1} & = \mathbf{a_2} &[6]\\
\end{align} \right .</math>
avec '''M''' la matrice de dispersion réduite
: '''M''' = '''C<sub>1</sub>'''<sup>-1</sup>('''S<sub>1</sub>''' - '''S<sub>2</sub>S<sub>3</sub>'''<sup>-1 t</sup>'''S<sub>2</sub>''').
L'équation [2] devient
: <sup>t</sup>'''a<sub>1</sub>C<sub>1</sub>a<sub>1</sub>''' = 1 [7]
On se retrouve donc à résoudre le système d'équations {[5] ; [6] ; [7]}, soit :
* [5] : déterminer les valeurs propres et vecteurs propres de '''M''' ;
* trouver '''a<sub>1</sub>''' : retenir la valeur propre positive, ou mieux :<br />[7] trouver l'unique vecteur tel que <sup>t</sup>'''a<sub>1</sub>C<sub>1</sub>a<sub>1</sub>''' &gt; 0 ;
* [6] : calculer '''a<sub>2</sub>''' ;
* rassembler '''a<sub>1</sub>''' et '''a<sub>2</sub>''' pour former le vecteur '''a'''.

== Méthode des moindres carrés totaux ==

La méthode des moindres carrés totaux est, comme dans le cas du cercle, non linéaire. On a donc recours à un algorithme itératif.

Le principal problème est de déterminer la distance d'un point à l'ellipse modèle. La méthode la plus simple consiste à prendre une équation paramétrique de l'ellipse :
: <math>\begin{pmatrix} x(\varphi) \\ y(\varphi) \end{pmatrix} =
\begin{pmatrix} x_\mathrm{c} \\ y_\mathrm{c} \end{pmatrix} +
\mathrm{Q}(\alpha) \begin{pmatrix} a \cos \varphi \\ b \sin \varphi \end{pmatrix}</math>
où (''x''<sub>c</sub>, ''y''<sub>c</sub>) sont les coordonnées du centre de l'ellipse et Q(α) est la [[matrice de rotation]] d'angle α (inclinaison de l'ellipse).

On se retrouve ici avec ''n'' + 6 inconnues : les six paramètres de l'ellipse (''x''<sub>c</sub>, ''y''<sub>c</sub>, ''a'', ''b'', α) et les ''n'' paramètres φ<sub>''i''</sub>, le point (''x''(φ<sub>''i''</sub>), ''x''(φ<sub>''i''</sub>)) étant le point de l'ellipse le plus proche du point expérimental ''i''.

Pour initialiser les paramètres de l'ellipse, on peut utiliser une méthode de distance algébrique, ou bien une régression circulaire ; le cas du cercle pouvant donner une matrice jacobienne singulière, il peut être nécessaire de démarrer en « elliptisant » le cercle, par exemple en créant de manière arbitraire une ellipse dont le demi-grand axe a le rayon du cercle et le demi-petit axe vaut la moitié.

Pour initialiser φ<sub>''i''</sub>, on peut utiliser l'angle par rapport à l'axe ''x'' du segment reliant le centre initial de l'ellipse au point expérimental ''i''.

On peut utiliser les méthodes itératives classiques (méthodes de [[Algorithme de Gauss-Newton|Gauss-Newton]] ou de [[Algorithme de Levenberg-Marquardt|Levenberg-Marquardt]]).

== Applications ==

=== Analyse d'image ===

Une ellipse peut être considéré comme un cercle selon une « vue inclinée » : c'est la projection orthogonale d'un cercle sur un plan sécant au plan le contenant. C'est donc une figure qui est susceptible d'apparaître dans de nombreuses images.

Cela peut être utilisé pour des algorithmes de reconnaissance de forme, par exemple reconnaître l'ovale des visages sur une photographie, pour de l'imagerie médicale, des inspections industrielles, la conversion d'une image matricielle en image vectorielle, ou encore en archéologie — pour déterminer la taille d'une poterie à partir d'un fragment, le col de la poterie formant un arc de cercle qui, du fait de la perspective, est vu comme un arc d'ellipse<ref name = "halir" />.

== Notes et références ==

{{Références}}

== Voir aussi ==
* [[Transformée généralisée de Hough]]

{{Portail|mathématiques}}

{{DEFAULTSORT:Regression elliptique}}
[[Catégorie:Conique]]
[[Catégorie:Régression|Elliptique]]

Modèles utilisés par cette page :

Modèle:Article (voir la source) (protégé)
Modèle:Article détaillé (voir la source) (protégé)
Modèle:Catégorisation badges (voir la source) (protégé)
Modèle:Exp (voir la source) (protégé)
Modèle:Formule (voir la source) (protégé)
Modèle:Lang (voir la source) (protégé)
Modèle:Langue (voir la source) (protégé)
Modèle:Loupe (voir la source) (protégé)
Modèle:Math (modifier)
Modèle:Multiparamètres-Lien (voir la source) (protégé)
Modèle:Mvar (modifier)
Modèle:Méta bandeau de section (voir la source) (protégé)
Modèle:Méta lien vers portail (voir la source) (protégé)
Modèle:Méta lien vers portail/Catégorisation (voir la source) (protégé)
Modèle:Portail (voir la source) (protégé)
Modèle:Portail mathématiques (voir la source) (semi-protégé)
Modèle:Références (voir la source) (protégé)
Modèle:Suivi des biographies (voir la source) (protégé)
Module:Bandeau (voir la source) (protégé)
Module:Bandeau/Class (voir la source) (protégé)
Module:Biblio (voir la source) (protégé)
Module:Biblio/Article (voir la source) (semi-protection étendue)
Module:Biblio/Commun (voir la source) (protégé)
Module:Biblio/Références (voir la source) (protégé)
Module:Catégorisation badges (voir la source) (semi-protection étendue)
Module:Correction syntaxique (voir la source) (semi-protection étendue)
Module:Date (voir la source) (protégé)
Module:Date/Data (voir la source) (semi-protection étendue)
Module:Langue (voir la source) (protégé)
Module:Langue/Data (voir la source) (semi-protection étendue)
Module:Linguistique (voir la source) (semi-protection étendue)
Module:Multiparamètres (voir la source) (semi-protection étendue)
Module:Nombre2texte (voir la source) (protégé)
Module:Outils (voir la source) (protégé)
Module:Suivi des biographies (voir la source) (protégé)
Module:Suivi des biographies/données (voir la source) (semi-protection étendue)
Module:TableBuilder (voir la source) (protégé)
Module:Wikidata (voir la source) (semi-protection étendue)
Module:Wikidata/I18n (voir la source) (semi-protection étendue)
Module:Yesno (voir la source) (protégé)

Revenir à la page Régression elliptique.

Ce document provient de « https://fr.wikipedia.org/wiki/Régression_elliptique ».