基于二值矩阵的闭合形状多项式方程近似求解方法咨询

核心思路 #

将拟合问题转化为可微二分类优化问题，直接针对多项式系数做梯度优化，相比你之前尝试的方案收敛更快、精度更高。

具体实现步骤 #

• 数据预处理：将0-1矩阵的所有像素坐标映射到[-1,1]区间，给每个坐标点打标签：形状内的点标签为0（对应p(x,y) ≤ 0），形状外的点标签为1（对应p(x,y) > 0）。
• 构造多项式特征：枚举所有n次二元多项式的单项式项，即所有满足a + b ≤ n的x^a * y^b项，将每个坐标点代入计算得到对应的特征向量。例如n=2时，特征为[1, x, y, x², xy, y²]。
• 设计可微损失函数：采用带L2正则的交叉熵损失，避免离散损失难优化的问题：
  1. 对每个点的多项式输出p(x,y)过sigmoid函数，得到该点属于形状外的预测概率
  2. 计算所有点的预测结果和真实标签的交叉熵，作为损失主项
  3. 加入多项式系数的L2正则项，防止高次多项式过拟合
• 优化求解：使用L-BFGS或者Adam等梯度优化算法，直接迭代更新多项式的系数，直到损失收敛。

简单实现示例（Python） #

import numpy as np
from scipy.optimize import minimize

# 生成多项式特征
def poly_features(x, y, n):
    features = []
    for a in range(n+1):
        for b in range(n+1 - a):
            features.append((x**a) * (y**b))
    return np.array(features).T

# 损失函数
def loss_func(coeffs, X, y, n, reg_lambda=1e-4):
    feats = poly_features(X[:,0], X[:,1], n)
    p = feats @ coeffs
    # 交叉熵损失
    sigmoid = 1 / (1 + np.exp(-p))
    ce_loss = -np.mean(y * np.log(sigmoid + 1e-8) + (1 - y) * np.log(1 - sigmoid + 1e-8))
    # L2正则
    reg_loss = reg_lambda * np.sum(coeffs**2)
    return ce_loss + reg_loss

# 入参说明：X为坐标矩阵（shape为[N,2]，每行对应一个点的(x,y)坐标）
# y为标签数组（shape为[N,]，0代表形状内，1代表形状外），n为指定的多项式次数
n = 4
init_coeffs = np.random.randn(sum([i+1 for i in range(n+1)]))
res = minimize(loss_func, init_coeffs, args=(X, y, n), method='L-BFGS')
optimal_coeffs = res.x

原有方案的问题说明 #

你之前尝试的两种方案本身存在结构性缺陷，效果不达预期是正常情况：

1. 随机生成样本训练CNN的方案属于间接拟合，需要海量标注数据，且CNN输出的系数无法保证多项式拟合的精度，数据效率极低。
2. 贪心优化系数的方案采用不可微的像素重合度作为损失，容易陷入局部最优，收敛速度极慢，很难得到全局较优解。

注意事项 #

• 多项式的次数n需要和形状的复杂度匹配：低次多项式只能表达凸形状，若你要拟合的是凹形状，需要适当提高n的取值。
• 若对拟合精度要求极高，可以在损失收敛后，再用小学习率做少量迭代微调，进一步降低像素不重合率。

内容的提问来源于stack exchange，提问作者Metin Ersin Arıcan