给定多个点，根据最小二乘原理，可以拟合出一个圆形，拟合的精度很高， 给定多个点，根据最小二乘原理，可以拟合出一个圆形，拟合的精度很高，

基于遗传算法的特征点拟合算法 基于遗传算法的特征点拟合算法 基于遗传算法的特征点拟合算法 基于遗传算法的特征点拟合算法

通过halcon仿真，基于最小二乘法来求吸嘴或轴的旋转中心，资源包含测试图片，保存的区域，以及相机标定文件，可通过保存内置保存的区域，直接进行边缘检测提取角点，快速完成旋转中心的提取，无需在手动绘制。

通过构建损失函数，采用梯度下降的思想实现对数据点的拟合，可通过改变损失函数的次数将直线拟合推广到高次函数拟合 欢迎批评指正！

该资源下载下来即可以运行，输入的散点大于0小于32，这都是自己可以扩充的

绘制B样条曲线，可以修改参数，给出控制点，拟合b样条

绘制B样条曲线，可以修改参数，给出控制点，拟合b样条

给定多个点，根据最小二乘原理，可以拟合出一个圆形，拟合的精度很高

多个三维空间点拟合平面，平面方程设为Ax+By+Cz+1=0。

import numpy as np import matplotlib.pyplot as plt # 算法应用，单变量线性回归&梯度下降：已知如下数据集，绘制出数据集的散点图并给出能够和所有散点拟合出最好的一条直线 # 预测函数 def getHypo(X, theta): return np.dot(X, theta) # 代价函数 def getCost(h, y): m = len(h) return (1.0 / 2*m) * np.sum(np.square(h - y)) # 梯度下降 def getGraDesc(X, y, aplha = 0.001