Python多对象二维散点数据典型轮廓曲线拟合方案咨询

你遇到的问题本质是全局多项式拟合的固有缺陷：低阶多项式自由度不足无法捕捉多拐点的轮廓形状，高阶多项式会因全局拟合的约束出现两端震荡/过拟合。最优方案是先对齐所有轮廓样本做平均降噪，再用局部拟合的样条曲线生成最终的映射函数，具体实现步骤和代码如下：

实现步骤 #

• 对每组独立采集的轮廓点做参数化重采样：以曲线累计长度为参数t，将每组的t归一化到[0,1]区间，统一采样N个点，完成所有轮廓的空间对齐
• 对所有组同一t位置的x、y坐标取均值，得到去噪后的平均轮廓离散点
• 对平均后的离散点做平滑样条拟合，可通过平滑参数控制拟合精度，不会出现全局震荡问题

可运行代码 #

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import interp1d, UnivariateSpline

# 读取数据
data = pd.read_csv('/content/sample_data.csv')
capture_numbers = data['capture_number'].unique()
n_sample = 50  # 每组统一重采样的点数
x_list = []
y_list = []

# 步骤1：每组轮廓参数化重采样对齐
for cap in capture_numbers:
    subset = data[data['capture_number'] == cap].sort_values('x')
    x = subset['x'].values
    y = subset['y'].values
    # 计算曲线累计长度作为参数t
    dist = np.cumsum(np.sqrt(np.diff(x)**2 + np.diff(y)**2))
    dist = np.insert(dist, 0, 0)
    t = dist / dist[-1]  # 归一化到0-1
    # 统一重采样到n_sample个点
    t_interp = np.linspace(0, 1, n_sample)
    x_interp = interp1d(t, x, kind='linear')(t_interp)
    y_interp = interp1d(t, y, kind='linear')(t_interp)
    x_list.append(x_interp)
    y_list.append(y_interp)

# 步骤2：计算平均轮廓
x_mean = np.mean(np.array(x_list), axis=0)
y_mean = np.mean(np.array(y_list), axis=0)

# 步骤3：样条拟合（如果需要y关于x的映射，先把平均点按x排序）
sort_idx = np.argsort(x_mean)
x_sorted = x_mean[sort_idx]
y_sorted = y_mean[sort_idx]
# s是平滑参数，越大越平滑，越小越贴合离散点，可根据需求调整
spline = UnivariateSpline(x_sorted, y_sorted, s=200)

# 可视化对比
xs = np.linspace(min(data.x), max(data.x), 200)
plt.figure(figsize=(10,6))
# 原始散点
plt.scatter(data.x, data.y, s=5, alpha=0.3, label='原始散点')
# 样条拟合结果
plt.plot(xs, spline(xs), c='r', linewidth=2, label='平均轮廓样条拟合')
# 原来的10阶多项式拟合对比
p_10 = np.polyfit(data.sort_values('x').x, data.sort_values('x').y, 10)
plt.plot(xs, np.polyval(p_10, xs), c='c', linestyle='--', label='10阶多项式拟合')
plt.legend()
plt.show()

# 直接调用spline函数即可得到任意x对应的y值，示例：
# print(spline(-50))

方案优势 #

1. 先做轮廓对齐再平均，天然过滤了单组采集的随机误差，得到的是所有样本的典型形状
2. 样条拟合为局部拟合，不会出现高阶多项式的端点震荡问题，平滑度可通过参数s灵活调整
3. 最终输出的spline是可直接调用的函数，输入任意x即可得到对应的y值，满足你需要的x映射函数需求

内容的提问来源于stack exchange，提问作者Eric Lau