在计算机视觉的应用中，提取直线的准确位置这一工作是经常使用的。 此时，使用直线的拟合算法。
在此，还贴上了利用最zzdnm乘法计算最佳拟合直线的代码。
这个代码是我以前学习过《机器视觉算法与应用（双语版）》 [德]wrdy(Stegerc )。 这是哭着的西牛等人在翻译的书时写的。 的公式推导都在书中3.8.1，还算管用。
与一元线性回归算法的区别：一元线性回归算法假设x没有误差，只有y有误差。 该算法假设各点的x-y坐标的误差都服从0平均的正态分布。 因此，在计算机视觉应用中优于常规一元线性回归拟合的结果。
# includeqvector # includeqpoint # include math.h//此代码用于Qt5的qvector和qpoint。 但是，可以很容易地更改为其他数组类型。 /**假设最zzdnm乘法直线拟合(不是一般的一元线性回归算法)将离散点拟合为a x b y c=0型直线)各点的X-y坐标误差均符合0均值的正态分布。 *与线性回归算法的区别：线性回归算法假设x没有误差，只有y有误差。 */boollinefit (constqvectorqpointpoints，double a，double b，double c ) { int size=points.size )； if(size2) a=0； b=0； c=0； 返回假； } double x_mean=0； double y_mean=0； for(intI=0； i size； I ) { x_mean =points[i].x )； y_mean =points[i].y (； } x_mean /=size； y_mean /=size； //至此，计算出了x y的平均值double Dxx=0、Dxy=0、Dyy=0； for(intI=0； i size； I ) dxx=(* (points[i].x(- x_mean ) ) points[I].x )-x_mean； dxy=(points[I].x(-x_mean ) ) * (points[i].y )- y_mean )； dyy=(* (points[i].y(- y_mean ) ) points[I].y )-y_mean； }doublelambda=(dxxdyy )-sqrt ) * (Dxx - Dyy ) )4 * Dxy * Dxy ) )/2.0； doubleden=sqrt(dxy*dxy ) * (lambda - Dxx ) ) * (lambda - Dxx )； a=Dxy/den； b=(lambda-dxx )/den； c=- a * x_mean - b * y_mean； 返回真； }