如何用scipy.optimize.curve_fit实现倾斜二次多项式拟合3D点集

曲面倾斜角度无法调整 #

你的pol2函数已经包含完整的二元二次项（常数项、x/y一次项、xy交叉项、x²/y²二次项），理论上完全可以拟合倾斜的二次曲面。无法调整倾斜角度的核心原因大概率是初始猜测p0的设置问题——如果交叉项args[3]的初始值设为0，拟合过程容易陷入局部最优，无法收敛到带倾斜的解。

解决办法：

• 给p0中对应交叉项的位置设置非零初始值，比如根据点集大致倾斜方向设为0.1或-0.1；
• 先对x、y做线性拟合，得到一次项系数后，再给二次项和交叉项设置合理初始值。

参数过多导致拟合失败 #

你的_pol2函数通过叠加多个二次多项式（每6个参数一组）来拟合，参数数量随组数线性增长，参数越多，curve_fit的收敛难度越大，容易出现过拟合或无法收敛的情况。

解决办法：

1. 减少多项式组数：优先使用单个二次多项式拟合，单个二元二次多项式已足够表达绝大多数常见倾斜二次曲面；
2. 添加正则化约束：若确实需要多个多项式，改用scipy.optimize.least_squares替代curve_fit，它支持正则化约束，能有效缓解参数过多的问题；
3. 优化点集：从bd_array中均匀采样部分点，减少拟合数据量，降低计算压力同时避免过拟合。

修改后的示例代码 #

单个二次多项式拟合（推荐） #

import numpy as np
from scipy.optimize import curve_fit

def pol2(M, a0, a1, a2, a3, a4, a5):
    x, y = M
    return a0 + a1 * x + a2 * y + a3 * x * y + a4 * x ** 2 + a5 * y ** 2

def curve_fit_2d(bd_array, p0):
    tx, ty, tz = bd_array.nonzero()
    xdata = np.vstack((tx.ravel(), ty.ravel()))
    # 可选：添加参数范围约束，避免参数发散
    bounds = ([-np.inf]*6, [np.inf]*6)
    popt, pcov = curve_fit(pol2, xdata, tz.ravel(), p0=p0, bounds=bounds)
    return popt

该方案仅用6个参数，拟合稳定性大幅提升，只要p0中交叉项初始值合理，就能正常拟合倾斜曲面。

多多项式叠加（带正则化） #

import numpy as np
from scipy.optimize import least_squares

def pol2(x, y, *args):
    return args[0] + args[1] * x + args[2] * y + args[3] * x * y + args[4] * x ** 2 + args[5] * y ** 2

def residuals(params, x, y, z):
    arr = np.zeros(x.shape)
    for i in range(len(params)//6):
        arr += pol2(x, y, *params[i*6:i*6+6])
    # 添加L2正则项，lambda值可调，越大正则化强度越高
    reg_term = 0.01 * np.sum(params**2)
    return (arr - z).ravel() + reg_term

def curve_fit_2d(bd_array, p0):
    tx, ty, tz = bd_array.nonzero()
    x, y, z = tx.ravel(), ty.ravel(), tz.ravel()
    result = least_squares(residuals, p0, args=(x, y, z))
    return result.x

内容的提问来源于stack exchange，提问作者Mats-Johan Fagerheim