增材制造焊道截面几何图像非线性近似的分块拟合问题优化咨询

前置预处理优化 #

• 对二值化结果执行连通域标记，将外轮廓、各独立分层边界拆分为互不干扰的点集
• 对每个连通域的点按轮廓遍历顺序排序（可通过曲率、极角或相邻点距离排序），避免散点无序导致的拟合偏差

全局拟合可选方案 #

1. 样条回归（连续无跳变最优解） #

天生保证函数连续性，完全消除手动分块的拼接跳变问题：

• 对排序后的单轮廓点集直接执行全局B样条拟合，节点数量可根据轮廓转折数量设置（匹配平直段、圆弧段的拐点数量），无需人工划分块区
• 若需分段线性输出，可使用CubicHermiteSpline类插值接口，或对样条拟合结果做等距采样后输出逐段线性的近似轮廓
• 所有实现可直接调用scipy.interpolate下的对应接口，单图运行效率高于分块最小二乘拟合

2. 多元自适应回归样条（MARS） #

该方法本身为全局自适应框架，无需手动分块：

• 算法自动从输入点集中选择最优断点，生成分段线性/分段二次基函数，全局拼接为连续拟合函数，断点完全由数据驱动，避免手动分块导致的同一轮廓被不合理拆分的问题
• 小样本下过拟合风险极低，可通过设置最大基函数数量、断点惩罚项控制拟合复杂度，适配当前仅64张样本的场景

3. 自动断点检测的分段线性拟合 #

若需严格的分段线性输出：

• 对排序后的轮廓点序列，通过残差突变检测自动定位所有轮廓拐点，将拐点作为全局分段的分界点
• 对相邻拐点间的点集执行最小二乘线性拟合，相邻段端点严格对齐，无拼接跳变

4. 主动轮廓模型（Snakes） #

适配分层过渡区域噪声场景：

• 将二值化边缘作为外部能量约束项，初始化近似轮廓后，通过最小化内部平滑能量、外部贴合能量迭代得到全局连续轮廓
• 对过渡区域的模糊边缘抗干扰能力更强，无需额外预处理优化噪声

内容的提问来源于stack exchange，提问作者PhilE