NonlinearLeastSquares.py
 
Version: 2.0.2
   
Author: Avinash Kak (kak@purdue.edu)
 
Date: 2023-June-14
 
 

Download Version 2.0.2:  gztar	Total number of downloads (all versions): 379      This count is automatically updated at every rotation of      the weblogs (normally once every two to four days)      Last updated: Mon Apr 15 06:03:01 EDT 2024

View the main module file in your browser  
View the code for OptimizedSurfaceFit for optimized surface fitting to noisy height data
View the code for ProjectiveCamera for camera modeling
 
 
 
CHANGES:

  Version 2.0.2:
 
    This version includes additional functionality in the ProjectiveCamera class
    for constructing flyby camera-image sequences of virtual objects in the world
    coordinate frame.  See the script flyby_photos_of_3D_planar_shape.py in the
    ExamplesStructureFromCameraMotion directory of the distribution for how you
    can generate flyby images of a planar object in the YZ-plane.
 
  Version 2.0.1:
 
    Cleaned up the code to make it work with the current version of the matplotlib
    library that is used for displaying the results.  I have also removed the use
    of the "is" and "is not" comparison operators for numeric and string literals
    since such use has now been deprecated.  Also added additional comment blocks
    to the main functions in the module file.
 
  Version 2.0.0:
 
    This version includes sparse bundle adjustment (SBA) to speed up code
    execution when using nonlinear least-squares for solving
    structure-from-camera-motion problems with uncalibrated cameras.  SBA exploits
    the sparseness of the Jacobian encountered in such problems.  This version
    also includes improvements to the Levenberg-Marquardt code itself. The most
    important improvement consists of how the "mu" factor (renamed "alambda" in
    this module) is initialized.  Version 2.0.0 also provides additional methods
    for the visualization of the results.
 
  Version 1.5.0:
 
    This version adds a new class, ProjectiveCamera, to the module for
    demonstrating how nonlinear least-squares can be used for estimating structure
    of a scene from the data recorded with a calibrated camera in motion.  For a
    simulated demonstration, you can create calibrated cameras from a generic
    instance of the ProjectiveCamera class that is then subject to various
    translational and rotational transformations.
 
  Version 1.1.1:
 
    This version includes constructor options to control the size and the position
    of the graphics for displaying the results of nonlinear least-squares
    optimization.
 
  Version 1.1:
 
    This version fixes a bug in the synthetic data generator function used for
    illustrating the functionality of the NonlinearLeastSquares class.  Changes
    also made to the information that is printed out when the module is run in the
    debug mode.
 
  Version 1.0:
 
    In the form of a class named NonlinearLeastSquares, this module provides a
    domain agnostic implementation of nonlinear least-squares algorithms
    (gradient-descent and Levenberg-Marquardt) for fitting a model to observed
    data.  Typically, the model involves several parameters and each observed data
    element can be expressed as a function of those parameters plus noise.  The
    goal of nonlinear least-squares is to estimate the best values for the
    parameters given all of the observed data.  In order to illustrate how to use
    the NonlinearLeastSquares class, the module also comes with another class,
    OptimizeSurfaceFit, whose job is to fit the best surface (of a specified
    analytical form) to noisy height data over the XY-plane. The model in this
    case is the analytical description of the surface and the goal of nonlinear
    least-squares is to estimate the best values for the parameters in the
    analytical description.
 
 
USAGE FOR OPTIMAL SURFACE FITTING:
 
    The module includes a domain specific class, OptimizedSurfaceFit, for
    demonstrating how nonlinear least-squares in the form of the
    Levenberg-Marquardt algorithm can be used for optimally fitting analytically
    specified surfaces to noisy data over a plane.
    
    For surface fitting, you need to create an instance of the
    NonlinearLeastSquares class as shown in line (A) below.  In addition, you need
    to create an instance of a domain-specific class such as OptimizedSurfaceFit
    as is shown at line (B) below.  Note that in the example shown in line (B),
    the domain-specific class has two duties: (1) to synthetically generate noisy
    height data; and (2) to call on NonlinearLeastSquares to fit an optimized
    model to the synthetically generated data.
 
        optimizer =  NonlinearLeastSquares(                              #(A)
                         max_iterations = 400,
                         delta_for_jacobian = 0.000001,
                         delta_for_step_size = 0.0001,        # only needed for GD
                     )
 
        surface_fitter = OptimizedSurfaceFit(                            #(B)                
                                gen_data_synthetically = True,
                                datagen_functional = "7.8*(x - 0.5)**3 + 2.2*(y - 0.5)**2",
                                data_array_size = (16,16),
                                how_much_noise_for_synthetic_data = 0.7,
                                model_functional = "a*(x-b)**3 + c*(y-d)**2",
                                initial_param_values = {'a':2.0, 'b':0.4, 'c':0.8, 'd':0.4},
                                display_needed = True,
                         )
 
        surface_fitter.set_constructor_options_for_optimizer(optimizer)  #(C)
 
        result = surface_fitter.calculate_best_fitting_surface('lm')     #(D)
 
        or 
 
        result = surface_fitter.calculate_best_fitting_surface('gd')     #(E)
 
    In line (C), it is the job of the OptimizedSurfaceFit instance as constructed
    in line (B) to export the domain-related information (after it is packaged
    under the hood into a domain-agnostic form) to the instance of
    NonlinearLeastSquares that was constructed in line (A).  The information that
    the OptimizedSurfaceFit instance conveys to the NonlinearLeastSquares instance
    includes:
 
        1) The observed noisy data vector.  This vector is denoted X in the
           NonlinearLeastSquares class.  The same notation is used for the
           observed data vector in the usage-example class OptimizedSurfaceFit.
 
        2) The initial values to be used for the parameters of the model.
 
        3) A vector of the predicted values for each of the data elements in X,
           all in functional form involving the parameters of the model.  This
           vector is denoted Fvec in the NonlinearLeastSquares class.
 
        4) The display function to be used for plotting the partial and the final
           results if at all such results can be displayed in the form of a 2D or
           3D graphic with Python's matplotlib library.
 
    Finally, the statement in line (D) lets you call on the Levenberg-Marquardt
    algorithm for estimating the model parameters. If you would rather use the
    more basic gradient-descent algorithm for that purpose, your call will look
    like what is shown in line (E).
 
    See the script 
 
                     leven_marq.py
 
    in the ExamplesOptimizedSurfaceFit subdirectory of the distribution for
    further information on what calls you need to sequence together for optimally
    estimating the parameters of an analytically specified surface that you want
    to fit to noisy data.
 
 
USAGE FOR ESTIMATING THE SCENE STRUCTURE WITH A CALIBRATED CAMERA IN MOTION:
 
    You again need to create an instance of the NonlinearLeastSquares class as
    shown in line (F) below.  In addition, you need to create an instance of a
    class like ProjectiveCamera as shown at line (G) below.  If you are writing
    your own code for camera modeling, it would be best if you subclass your code
    from the ProjectiveCamera class in the module.
 
        optimizer =  NonlinearLeastSquares.NonlinearLeastSquares(            #(F)
                                             max_iterations = 400,
                                             delta_for_jacobian = 0.000001,
                     )
        
        camera = ProjectiveCamera.ProjectiveCamera(                          #(G)
                             camera_type = 'projective',
                             alpha_x = 1000.0,
                             alpha_y = 1000.0,
                             x0 = 300.0,
                             y0 = 250.0,
                 )
        camera.initialize()
 
        world_points = camera.make_world_points_random(30)
        world_points_xformed = camera.apply_transformation_to_generic_world_points(world_points, ..... )
 
        ##
        ##  all_pixels = Move the camera to different positions and 
        ##               collect the pixels
        ##
        ##  Now construct the X vector and the corresponding prediction
        ##  vector (Fvec) for nonlinear least-squares:
 
        camera.construct_X_vector( all_pixels )                              #(H)
        camera.construct_parameter_vec_for_calibrated_cameras()              #(I)
        camera.construct_Fvec_for_calibrated_cameras(camera_params_dict)     #(J)
        result = camera.get_scene_structure_from_camera_motion('lm')         #(K)
 
    where the returned result will include the optimal estimations for the scene
    parameters.  Note that the parameter vector constructed in line (I) defines
    the hyperplane over which is defined the cost function.  The goal of nonlinear
    least-squares is return that point on the parameter hyperplane where the cost
    function takes on the least value.  Line (J) constructs the prediction vector
    in terms of the parameters used in line (I). The argument 'lm' in line (K)
    stands for "Levenberg-Marquardt".
 
    See the script 
 
              sfm_with_calibrated_cameras_translations_only.py 
 
    in the ExamplesStructureFromCameraMotion subdirectory of the distribution for
    further information on what calls you need to sequence together for estimating
    the structure of a scene that is being viewed with a moving camera.
 
 
USING SPARSE BUNDLE ADJUSTMENT FOR ESTIMATING THE SCENE STRUCTURE WITH AN UNCALIBRATED CAMERA IN MOTION:
 
    You would again need to construct an instance of the NonlinearLeastSquares and
    an instance of the ProjectiveCamera class as shown in lines (F) and (G) above.
    But now you would need to replace the code in lines (H) through (K) by:
 
        camera.construct_X_vector_for_bundle_adjustment( all_pixels )     #(L)
        camera.construct_parameter_vec_for_uncalibrated_cameras_with_rodrigues_rotations()
                                                                          #(M)
        camera.construct_Fvec_for_bundle_adjustment()                     #(O)
        result = camera.get_scene_structure_from_camera_motion_with_bundle_adjustment()
                                                                          #(P)
 
    The construction of the observation vector X in line (L) is specific to sparse
    bundle adjustment --- in the sense that you first want to list the pixels in
    all the cameras for the first world point, then you want to list the pixels in
    all the cameras for the second world point, and so on.  Ordering the observed
    data in this fashion is necessary to create the sort of block sparsity in the
    Jacobian that is exploited in SBA.
 
    Note that we assume that the intrinsic parameters of the camera are known
    already.  So the goal of the bundle adjustment is to estimate the six
    extrinsic parameters, three for translation of the camera and three (in the
    form of Rodrigues rotations) for the rotation.
        
    See the script 
 
       bundle_adjust_sfm_with_uncalibrated_cameras_translations_only.py
 
    in the ExamplesStructureFromCameraMotion subdirectory of the distribution for
    further information on what calls you need to sequence together for estimating
    both the camera parameters and the scene structure for a scene that is being
    viewed with a moving uncalibrated camera.
 


INTRODUCTION:
 
    Nonlinear least-squares is a widely used set of algorithms for fitting a model
    to noisy data through the minimization of a cost function.  The observed data
    is represented as a vector (denoted X in this module) and how the model would
    predict each element of X by another vector that is denoted Fvec.  As you
    would expect, each element of Fvec is a function of the parameters of the
    model.  The goal of nonlinear least-squares is to find the best possible
    values for the parameters, best in the sense of minimizing a cost function
    that is almost always the square of the vector norm of the difference between
    X and Fvec.
 
    The simplest approach to solving a nonlinear least-squares problem is Gradient
    Descent (GD).  The mental imagery that best explains GD is to think of all of
    the model parameters as constituting a hyperplane and the cost function as a
    surface over the hyperplane.  Gradient descent consists of starting at some
    point in the hyperplane, looking straight up at the surface, and walking in
    the direction of the steepest descent on the surface. At each point on the
    hyperplane, you make the size of your next step proportional to the value of
    the gradient on the cost-function surface.  Assuming there are no local minima
    to trap your progress, GD will eventually take you to the point on the
    hyperplane that is directly below the global minimum for the cost function.
 
    Even when getting trapped in a local minimum is not an issue (because, let's
    say, you made a good choice for the starting point), the basic
    gradient-descent algorithm suffers from the shortcoming that the closer you
    get to the minimum, the smaller your steps will be, and, therefore, the slower
    your progress toward the destination.
 
    One way to get round this problem with gradient-descent is to use the
    Gauss-Newton formula to make a direct jump to the minimum --- assuming you are
    already sufficiently close to it.  However, should you inadvertently try to
    make a Gauss-Newton jump when still far from the minimum, your algorithm could
    become numerically unstable and crash.
 
    The algorithm that does a good job of combining the numerical robustness of
    gradient-descent with the speed of Gauss-Newton, while making sure that the
    latter is not invoked too early, is the Levenberg-Marquardt (LM)
    algorithm. Given a start point on the hyperplane spanned by the model
    parameters, LM starts by taking a GD step. In subsequent iterations, before
    committing itself to a step, LM checks whether or not that step can safely be
    taken with GN.  If not, it steers the path toward GD.  However, if the
    condition for taking the GN step safely is satisfied, it goes ahead with that.
    In this manner, LM can get to the minimum in a small number of steps, often
    under 10, whereas for the same problem and the same start point, GD might take
    more than a hundred.
    
    The NonlinearLeastSquares class in this module provides implementations for
    both the basic Gradient Descent (GD) algorithm and the more efficient
    Levenberg-Marquardt algorithm for getting to the minimum of a cost function.
    Starting with Version 2.0.0. this class also includes an SBA (Sparse Bundle
    Adjustment) variant of the Levenberg-Marquardt algorithm for optimal
    computation of both the structure and the camera parameters with the data
    collected by an uncalibrated camera in motion.
 
    From a programming standpoint, the most notable feature of
    NonlinearLeastSquares is that it is domain agnostic.  That is, you should be
    able to use NonlinearLeastSquares for solving any problem that requires a GD
    or an LM solution for finding the optimum values for a set of model parameters
    through the minimization of a cost function.
 
    The fact that NonlinearLeastSquares is generic implies that you have to write
    a class of your own for the specific domain in which you wish to use
    NonlinearLeastSquares.  The domain specific class that you create must export
    to NonlinearLeastSquares values for the following options in its constructor:
 
    -- The observed data vector.  This vector is denoted X in the
       NonlinearLeastSquares class.
 
    -- The initial values to be used for the parameters of the model.
 
    -- A vector of the predicted values for each of the data elements in X, all in
       functional form involving the parameters of the model.  This vector is
       denoted Fvec in the NonlinearLeastSquares class.
 
    -- The display function to be used for plotting the partial and the final
       results if at all such results can be displayed in the form of a 2D or 3D
       graphic with Python's matplotlib library.
 
    And, if you wish for NonlinearLeastSquares to use your analytically specified
    partial derivatives in the Jacobian matrix that it needs for the next-step
    calculations, your domain-specific class must also export that matrix to
    NonlinearLeastSquares.  In the absence of a user-supplied Jacobian matrix,
    NonlinearLeastSquares estimates it numerically. [See the implementation code
    for the OptimizedSurfaceFit class supplied with this module --- that class is
    an example of a domain-specific class that uses NonlinearLeastSquares for
    carrying out the needed optimization --- for how your own domain-specific
    class can construct a Jacobian matrix in a functional form and supply it to
    NonlinearLeastSquares.]
 
    The NonlinearLeastSquares class provides several setter methods that your own
    domain-specific class can use to convey the above-mentioned information to
    NonlinearLeastSquares.
 
    To illustrate how you may wish to write your domain specific class, this
    module also comes with two additional classes named OptimizedSurfaceFit and
    ProjectiveCamera, the first for fitting surfaces to noisy data over an
    xy-plane and the second for estimating the structure of a 3D scene from the
    data recorded by a camera in motion.
 
 
METHODS:
 
    Constructing an instance of NonlinearLeastSquares:
 
        optimizer =  NonlinearLeastSquares(   
                         X = None,
                         Fvec = None,
                         num_measurements = None,
                         num_parameters = None,
                         initial_params_dict = None, 
                         initial_param_values_file = None, 
                         jacobian_functionals_array = None,
                         delta_for_jacobian = 0.000001,
                         delta_for_step_size = 0.0001,
                         max_iterations = 200,
                     )
 
        In most usage scenarios, though, you are likely to call
        NonlinearLeastSquares directly with just the following constructor options
        and let your own domain specific class set the other options at run time.
        That is, in your own code, you will first create an instance of
        NonlinearLeastSquares through the following call to its constructor:
 
        optimizer =  NonlinearLeastSquares(             
                         max_iterations = 400,
                         delta_for_jacobian = 0.000001,
                     )
 
        and subsequently have your own domain-specific class call the various
        setter methods of NonlinearLeastSquares for giving values to its other
        constructor options.  As to which setter methods your own class should
        call is presented in the rest of this section.
 
CONSTRUCTOR OPTIONS:
 
        debug, debug2:
 
            When set to True, it prints out a lot of information at each iteration
            of the nonlinear least-squares algorithm invoked.
 
        display_function:
 
            If the problem you are trying to solve with nonlinear least-squares
            allows for the result of optimization to be visualized, use this
            constructor option to supply a reference to the function you would
            like to be used for such visualization.
    
        Fvec:
        Fvec_BA:
    
            These must be set to a numpy vector (actually a numpy matrix with just
            one column) whose elements are the "predictors" for the corresponding
            observed values in the X and the X_BA vectors, respectively.  (We use
            the symbol 'X' to denote the vector of measured data, as you will soon
            see. X_BA does the same for the bundle-adjustment variant of the basic
            Levenberg-Marquardt algorithm.) Each element of Fvec and Fvec_BA is,
            in general, a function of all of the model parameters.
 
        initial_params_dict:
    
            This is set to a dictionary whose keys are the model parameters and
            whose values the initial values for the model parameters.  The initial
            values for the model parameters specify the point in the parameter
            hyperplane where you want to start the descent to the minimum.
 
        initial_param_values_file:
 
            If your problem involves a very large number of parameters, it may be
            more convenient to place all their initial values in a text file.
            Each parameter and its initial value must be in a line all by itself.
            See the file "initial_params_gd2.txt" in the Examples directory for
            how this file needs to be formatted.
 
        jacobian_functionals_array:
 
            If you wish to specify the partial derivatives of the functional
            elements in the Fvec vector with respect to the model parameters, you
            can supply those as a numpy chararray through this constructor option.
 
        num_measurements:
 
            This is simply the number of data values (meaning the number of
            measurements) in X.
    
        num_parameters:
    
            This is the number of model parameters that you wish to calculate with
            nonlinear least-squares.
 
        X:
        X_BA:
 
            This variable must be set to a numpy vector (actually a numpy matrix
            with just one column) whose elements constitute the observed data.
            The number of elements in X would equal the number of observed data
            elements that you are using for calculating the optimum values of the
            model parameters.  Whereas the variable X stores the observations for
            any regular application of the Levenberg-Marquardt algorithm, the
            variable X_BA stores the observed data for the case when you want to
            use the bundle-adjustment variant of Levenberg-Marquardt.  Whereas the
            generic Levenberg-Marquardt places no constraints on how the
            observations are arranged in the vector X, that is not the case with
            the bundle-adjustment variant of the same algorithm.  Both X and M_BA
            must be a numpy vector, meaning a numpy matrix with just one column.
 
 
METHODS:
 
    (1)  grad_descent():
 
         This is the implementation of the basic gradient-descent algorithm.
 
    (2)  leven_marq():
 
         This is the implementation of the Levenberg-Marquardt algorithm mentioned
         in the Introduction section.
 
    (3)  set_debug():
 
         This allow your own domain-specific class to set the 'debug' attribute of
         an instance of NonlinearLeastSquares.
 
    (4)  set_display_function():
 
         Some problem domains allow the result of a nonlinear least-squares
         calculation to be displayed with 2D or 3D graphics.  For example, if the
         goal is to fit an analytical form (in the form of, say, a polynomial) to
         noisy height data over a flat plane and you use the nonlinear
         least-squares algorithm to calculate the best values for the parameters
         of the analytical form, you should be able to visualize the quality of
         your results by displaying both the original noisy data and the model you
         fit to the data.  When such a visualization of the results is possible,
         you can pass the definition of the your display function through this
         setter function.
 
    (5)  set_Fvec():
         set_Fvec_BA()
 
         Each of these methods expects for its main argument a numpy matrix with a
         single column whose each element must be a functional form that predicts
         the corresponding element in the measurement vector X or X_BA.  These
         functional forms will be functions of the model parameters.  The first of
         the two methods is for the regular implementation of the
         Levenberg-Marquardt algorithm and the second for the bundle-adjustment
         variant of the same.
 
    (6)  set_initial_params():
 
         This method expects for its main argument a dictionary of <key,value>
         pairs in which the keys are the model parameters and the the
         corresponding values the initial values to be given to those parameters.
 
    (7)  set_jacobian_functionals_array():
 
         This method expects for its argument an Nxp matrix of functionals for the
         partial derivatives needed for the Jacobian matrix.  N is the number of
         data elements in the X vector and p is the number of parameters in the
         model.  To elaborate, if you are using nonlinear least-squares to fit an
         optimal surface to noisy height values over the xy-plane, your X vector
         will be a single-column numpy matrix and each row of this vector would
         correspond to one height value at some (x,y) point. The corresponding row
         in the argument jacobian_functionals_array contains p functionals, with
         each functional being a partial derivative of the model functional (with
         its x and y set according to where the height was recorded) with respect
         to the parameter corresponding to the column index.
 
    (8)  set_num_measurements():
 
         This method sets the number of data elements in the X vector in the
         instance of the NonlinearLeastSquares on which the method is invoked.
 
    (9)  set_num_parameters():
 
         This method sets the number of model parameters that will be used in the
         nonlinear least-squares optimization.
 
    (10) set_X():
         set_X_BA():
                
         These two methods set the data vector, in the form of a numpy matrix
         consisting of only one column, in an instance of NonlinearLeastSquares.
         The first of these for the regular implementation of the
         Levenberg-Marquardt algorithm and the second for the bundle-adjustment
         version of the same.  This is the data to which you which you want to fit
         a given model and you want NonlinearLeastSquares to estimate the best
         values for the parameters of the model.
 
OPTIMIZED SURFACE FITTING:
 
    This section presents a class named OptimizedSurfaceFit to illustrate how you
    can use the functionality of NonlinearLeastSquares in your own code.  The goal
    of OptimizedSurfaceFit is to fit a model surface to noisy height data over the
    xy-plane in the xyz-coordinate frame, with the model surface being described
    by a polynomial function.  Here are some examples of such polynomials:
 
           "a*(x-b)**2 + c*(y-d)**2 + e"
 
           "a*x**2 + c*y**2"
 
           "a*x + b*y + c"
    
    where the value returned by the polynomial for given values of the coordinate
    pair (x,y) is the height above the xy-plane at that point.  Given the sort of
    a model surface shown above, the problem becomes one of optimally estimating
    the value for the model parameters from the noisy observed data.  If vector X
    represents the measured data over a set of (x,y) points in the form of a
    vector of observations, we can now write for the cost function:
 
          d^2    =    || X  -  Fvec ||^2
 
    where Fvec is a vector of the predictions as dictated by the model at each of
    the (x,y) point.  That is, each element of the Fvec vector is a prediction for
    the corresponding element of the measurement vector X.  The quantity d^2 is
    the square of the vector norm of the prediction error, meaning the difference
    between the observations in X and the predictions in Fvec.  Given X and Fvec
    vectors, We can call on NonlinearLeastSquares to help us find the best values
    for the parameters of the model surface.
 
    A typical call to OptimizedSurfaceFit's constructor looks like:
 
        surface_fitter = OptimizedSurfaceFit(                         
                                gen_data_synthetically = True,
                                datagen_functional = "7.8*(x - 0.5)**3 + 2.2*(y - 0.5)**2",
                                data_array_size = (16,16),
                                how_much_noise_for_synthetic_data = 0.7,
                                model_functional = "a*(x-b)**3 + c*(y-d)**2",
                                initial_param_values = {'a':2.0, 'b':0.4, 'c':0.8, 'd':0.4},
                                display_needed = True,
                                display_size = (12,8),                 
                                display_position = (500,300),
                                debug = True,
                         )
 
    or, if you wish to also supply the partial derivatives of the model functional
    that can be used by OptimizedSurfaceFit for specifying the the Jacobian matrix
    to NonlinearLeastSquares, like
 
        surface_fitter = OptimizedSurfaceFit(
                                gen_data_synthetically = True,
                                datagen_functional = "7.8*(x - 0.5)**3 + 2.2*(y - 0.5)**2",
                                data_array_size = (16,16), 
                                how_much_noise_for_synthetic_data = 0.5,
                                model_functional = "a*(x-b)**3 + c*(y-d)**2",
                                initial_param_values = {'a':2.0, 'b':0.4, 'c':0.8, 'd':0.4},
                                partials_for_jacobian = {'a':'(x-b)**2', 
                                                         'b':'-2*a*(x-b)', 
                                                         'c':'(y-d)**2', 
                                                         'd':'-2*c*(y-d)'},            
                                display_needed = True,
                                display_size = (12,8),                 
                                display_position = (500,300),
                         )
    
    With regard to the constructor option 'partials_for_jacobian', it is important
    to realize that what is passed to OptimizedSurfaceFit's constructor is not
    directly the Nxp Jacobian matrix (where N is the number of observations in X
    and p the number of parameters in the model).  Instead, it is a set of partial
    derivatives of the model functional with respect to the parameters of the
    functional.  However, OptimizedSurfaceFit knows how to translate into an Nxp
    numpy chararray of the functionals needed for the Jacobian.
 
    The constructor options for the OptimizedSurfaceFit class:
 
        data_array_size:                      
 
           The synthetic height that is generated by OptimizedSurfaceFit is over a
           unit square in the xy-plane. Both the x and the y coordinates of this
           square range over the interval 0.0 to 1.0.  If you set this constructor
           option to, say, (16,16), the unit square will be sampled over a 16x16
           grid.
 
        datagen_functional:           
 
            When gen_data_synthetically is set to True, you must supply an
            algebraic expression in the form of a string that OptimizedSurfaceFit
            can use to generate the height data.  Here is an example of what such
            a string looks like:
 
                       "7.8*(x - 0.5)**3 + 2.2*(y - 0.5)**2"
 
            You can call any function inside the string that the Python math
            library knows about.
 
        debug:
 
            This flag is passed on to NonlinearLeastSquares.  When set to True, it
            causes that class to display useful information during each iteration
            of the nonlinear least-squares algorithm.
 
        display_needed:
 
            Fitting optimal surfaces to height data lends itself well to 3D
            visualization.  So if you'd like to see the the surfaces that
            correspond to the optimal values for the model parameters, set this
            constructor option to True.
 
        display_position:
 
            It is set to a tuple of two integers, with the first integer
            specifying the horizontal coordinate and the second the vertical
            coordinate of the upper left corner of the display.  These two
            coordinate values are with respect to the upper left corner of your
            terminal screen. Horizontal coordinates are positive to the right and
            vertical coordinates positive pointing down.  Setting this constructor
            parameter is optional.  If not set, matplotlib will use its default
            values.
 
        display_size:
 
            It is set to a tuple of two integers, with the first integer
            specifying the width and the second the height of the display.
            Setting this constructor parameter is optional.  If not set,
            matplotlib will use its default values.
 
        gen_data_synthetically:
 
            If set to True, OptimizedSurfaceFit can generate the measurement
            height data for your synthetically according to the function you
            specify through the constructor option 'datagen_functional'.
 
        how_much_noise_for_synthetic_data:                    
 
           This option controls the amount of noise that is added to the height
           data generated according to the datagen_functional.  The best way to
           give a meaningful value to this construction option is to set to some
           fraction of the largest coefficient in the datagen_functional.
 
        initial_param_values:   
 
           Through this option, you can transmit to OptimizedSurfaceFit your
           initial guesses for the values of the parameters in the model
           functional.  If you cannot think of a guess, you try setting all the
           parameters to zero.  OptimizedSurfaceFit conveys your initial values
           for the parameters to the NonlinearLeastSquares class.  You express the
           initial values in the form of a dictionary, whole keys are the name of
           the parameters and whose values the initial values to be given to those
           parameters.
 
        initial_param_values_file:
 
           If the number of parameters in the problem you are addressing is large,
           it may be more convenient to supply the initial values for the
           parameters through a text file.
 
        measured_data_file:
 
           If the amount of measured data is large, it may be more convenient to
           feed it into the module through a text file.
 
        model_functional:                        
 
           This is the algebraic expression that we want to fit to the noisy
           height data.  OptimizedSurfaceFit will call on NonlinearLeastSquares to
           estimate the best values for the parameters of this algebraic
           expression.  For example, if the model_functional is "a*(x-b)**3 +
           c*(y-d)**2", the NonlinearLeastSquares will find the best possible
           values for the parameters a, b, c, and d --- best in the sense of
           minimizing the cost function described previously.
 
        model_functional_file:
 
           If the model functional is too long and/or too complex to be specified
           as an option directly in a call to the constructor, you can also place
           it in a text file through the model_functional_file option.
 
        optimizer:
 
           Through this constructor option, you can have an instance variable of
           the same name to hold a reference to an instance of
           NonlinearLeastSquares.
 
        partials_for_jacobian:
 
           Although the NonlinearLeastSquares class can numerically estimate the
           partial derivatives of the element of the Fvec vector with respect to
           the model parameters, with this option you can supply your own
           analytical forms for the partial derivatives that OptimizedSurfaceFit
           can convert into a Jacobian matrix before transmitting it to
           NonlinearLeastSquares.
 
    Here are the methods defined for OptimizedSurfaceFit:
 
        (1) construct_Fvec():
 
            This method constructs the Fvec vector that NonlinearLeastSquares
            needs for comparing with the measurement vector X. Each element of
            Fvec is a prediction for the corresponding element of X and this
            prediction is a functional form involving model parameters.
 
        (2) construct_jacobian_array_in_functional_form():
 
            This method is used only when the user supplies analytical forms for
            the partial derivatives of the model functional with respect to each
            of the model parameters.  (When the user does not supply such partial
            derivatives, NonlinearLeastSquares estimates the Jacobian through
            numerical approximations.)
 
        (3) display_function()
 
            The problem addressed by OptimizedSurfaceFit lends itself well to
            visualization of the quality of the results returned by
            NonlinearLeastSquares.  With the definition for this method that is
            provided, you can see how well the model parameters estimated by
            NonlinearLeastSquares fit the noisy height data.
 
        (4) gen_data():
 
            This method generates the height data over the xy-plane according to
            the analytical form that is supplied to it as its main argument.  We
            refer to this analytical form as the 'model functional'.
 
        (5) get_initial_params_from_file():
 
            If you want to use model functions that have a large number of
            parameters, it might be easier to place their values in a text file
            and have OptimizedSurfaceFit get it from the file by using this
            method.
 
        (6) get_measured_data_from_text_file():
 
            If you would like to supply the height data through a text file
            (rather than have the class generate it automatically for you), then
            this is the method to call for reading in the data from the file.  The
            method assumes that that individual data elements are separated by
            whitespace characters (space, tab, newline, etc.).  Since
            OptimizedSurfaceFit knows about the size of the array both along the
            x-coordinate and along the y-coordinate, it knows how to interpret the
            data in the text file.
 
        (7) get_model_functional_from_file():
 
            If the model functional is too long, you can get OptimizedSurfaceFit
            to read it from a text file by using this option.
 
        (8) set_constructor_options_for_optimizer()
 
            The responsibility of this method is to take all of the user supplied
            information and reconstitute it into a form that is needed by
            NonlinearLeastSquares taking into account the peculiarities of your
            domain.
 
 
ESTIMATING SCENE STRUCTURE WHEN USING A CALIBRATED CAMERA IN MOTION:
 
    This section presents a class named ProjectiveCamera to illustrate how you can
    use the functionality of NonlinearLeastSquares in your own code for estimating
    the structure of a 3D scene from the data recorded by a calibrated camera in
    motion.
 
    To create a simulated structure-from-camera-motion demonstration with this
    module, you must first create an instance the ProjectiveCamera class.  A
    typical call to ProjectiveCamera's constructor looks like:
 
        camera = ProjectiveCamera.ProjectiveCamera(
                             camera_type = 'projective',
                             alpha_x = 1000.0,
                             alpha_y = 1000.0,
                             x0 = 300.0,
                             y0 = 250.0,
                 )
        camera.initialize()
 
    This returns a camera whose optic axis is aligned with the world-Z axis and
    whose image plane is parallel to the world-XY plane. The parameters 'alpha_x'
    and 'alpha_y' are for the focal length of the camera in terms of the image
    sampling intervals along the x-axis and along the y-axis, respectively.  The
    parameters 'x0' and 'y0' are for the coordinates of the point in the camera
    image plane where the optic axis penetrates the image plane with respect to
    the origin in the image plane (which is usually a corner of the image).
 
        world_points = camera.make_world_points_for_triangle()
        world_points_xformed = camera.apply_transformation_to_generic_world_points( world_points, (0,0,0), (0.0,0.0,5000.0), 1.0)
 
    which generates a triangle defined by its three vertices from a method defined
    for the ProjectiveCamera class and then moves the scene triangle along the
    optic axis of the camera (the world-Z axis) by 5000 units.  After the
    transformation, the three vertices are at the coordinates (3000,3000,5000),
    (4000,3000,5000), and (4000,5000,5000).
 
    Subsequently, you must move the camera to different positions and orientations
    and use the camera matrix constructed by the ProjectiveCamera instance to
    project the world triangle into the camera images. You are going to need the
    following two methods defined for the ProjectiveCamera class for these camera
    motions:
 
        rotate_previously_initialized_camera_around_x_axis( theta_x_delta )
 
        translate_a_previously_initialized_camera( (0.0,y_motion_delta,0.0) )
 
    At each camera position/orientation achieved with the above two methods, you
    can record the pixels with the following call:
 
        pixels = camera.get_pixels_for_a_sequence_of_world_points( world_points_xformed )
 
    Subsequently, you must make the following call:
 
        construct_X_vector( all_pixels )        
 
    where 'all_pixels' is the set of all the pixel recorded in all the positions
    of the camera.
 
    You would also need to create a Prediction Vector, Fvec, for the observed data
    whose elements are predictor functionals in terms of the scene parameters that
    need to be estimated.  This is achieved with a call like:
 
        construct_Fvec_for_calibrated_cameras( camera_params_dict )
 
    Now you are ready to call the following method:
 
        get_scene_structure_from_camera_motion('lm')
 
    which will invoke the Levenberg-Marquardt method on the NonlinearLeastSquares
    class to estimate the scene structure.
 
    The constructor options for the ProjectiveCamera class:
 
        camera_type:
 
           You can only set this constructor option to 'projective' in the current
           version of the module.  Eventually, I intend to include 'orthographic'
           as another possibility for this option.
 
        alpha_x:
        alpha_y:
 
           These options are for the focal length in terms of the image sampling
           intervals used along the image x-axis and along the image y-axis,
           respectively.
 
        x0:
        y0:
 
           These options are for the coordinates of the point in the camera image
           plane where the optic axis penetrates the image plane with respect to
           the origin in the image plane (which is usually a corner of the image).
 
        camera_rotation:
 
           Using the (roll,pitch,yaw) convention you can specify the rotation for
           the camera in the constructor itself.  However, for experimenting with
           structure-from-camera-motion experiments, it is easier to first
           construct a camera in its generic pose and to then call the rotate and
           translate methods on it in order to move to a different position and
           orientation.
 
        camera_translation:
 
           Using a triple to indicate displacements along the world-X, world-Y,
           and world-Z, you can specify a translation for the camera in the
           constructor itself.  However, for experimenting with
           structure-from-camera-motion experiments, it is easier to first
           construct a camera in its generic pose and to then call the rotate and
           translate methods on it in order to move to a different position and
           orientation.
 
 
    Here are the methods defined for ProjectiveCamera:
 
        (1) add_new_camera_to_list_of_cameras():
 
            You will find this utility method useful for enumerating all the
            different camera positions you will be using in a simulated
            structure-from-camera-motion experiment.
 
        (2) apply_transformation_to_generic_world_points()
 
            After you have constructed a scene object (typically just a simple
            shape like a triangle or a tetrahedron), you can call on this method
            to change its position and the pose in the world frame.  The method
            takes FOUR arguments: (1) The scene structure in the form of a list of
            homogeneous coordinates for the world points on the object.  (2) The
            first is a triple that specifies the rotation using the
            (roll,pitch,yaw) convention. (3) The second argument is a triple for
            the displacement along the world-X, world-Y, and world-Z
            coordinates. (4) The scale factor by which you want to expand or
            shrink the scene object.
 
        (3) construct_Fvec_for_calibrated_cameras(camera_params_dict)
 
            This method constructs the prediction vector Fvec vector that
            NonlinearLeastSquares needs for comparing with the measurement vector
            X. Each element of Fvec is a prediction for the corresponding element
            of X and this prediction is a functional form involving the structure
            parameters.
            
        (4) construct_parameter_vec_for_calibrated_cameras()
 
            This method constructs an ordered list of the SYMBOLIC NAMES to be
            used for each of the coordinates for the scene points that need to be
            estimated.  This list looks like "['X_0', 'Y_0', 'Z_0', 'X_1', 'Y_1',
            'Z_1', 'X_2' ......]"
 
        (5) construct_structure_ground_truth()
 
            This method packages the scene world points in a way that makes it
            convenient to output in your terminal window the estimated coordinates
            for the scene points, the ground-truth value for those coordinates,
            and the initial guesses supplied for them.
 
        (6) construct_X_vector(all_pixels)
 
            As mentioned in the Introduction, we use the notation X to represent a
            vector of all the observed data.  For a structure-from-camera-motion
            problem, the observed data consists of all the pixels in all of the
            camera positions.  This method orders the x- and the y-coordinates of
            all the recorded pixels in the same fashion as the order given to the
            scene points in world-3D.
 
        (7) display_structure()
 
            This method is used to display in the form of a Matplotlib figure the
            following three things simultaneously: the estimated scene structure,
            the actual world points used for the scene object, and the initial
            guesses supplied for those coordinates to the nonlinear least-squares
            algorithm.  The three parameters for this method are named
            'structure_points_estimated', 'world_points_xformed', and
            'initial_values_supplied'.
 
        (8) get_all_cameras()
 
            This utility method is convenient for getting hold of all the cameras
            that supplied the data for solving the structure-from- camera-motion
            problem.  We consider an instance of ProjectiveCamera at each of its
            positions in world-3D as a distinct camera.  So if you move the camera
            to, say, 20 different locations, you are in effect using 20 cameras.
 
        (9) get_pixels_for_a_sequence_of_world_points()
 
            For any given camera position, this method applies the corresponding
            camera matrix to each world point, which must be in homogeneous
            coordinates, in the sequence of world points supplied to the method as
            its argument.
 
        (10) get_scene_structure_from_camera_motion('lm')
             get_scene_structure_from_camera_motion_with_bundle_adjustment()
 
            You must call the first of these two methods for estimating the scene
            structure for the calibrated cameras case after you have collected all
            the pixel data from all the different positions of the camera.
            Obviously, before you can call this method, you would need to
            construct the observation vector X from the pixel data the predictor
            vector Fvec from the parameters of the cameras at each of their
            positions.  And you call the second method for doing the same for the
            case of uncalibrated cameras if you want to use the bundle-adjustment
            version of the Levenberg-Marquardt algorithm.
 
        (11) initialize()
    
            This method packs the constructor options supplied to the
            ProjectiveCamera constructor in the form of the camera's intrinsic
            parameter matrix K.  If a translation and/or a rotation is specified
            for the camera through the constructor, those are also incorporated in
            the 3x4 camera matrix P put together by this method.
        
        (12) make_world_points_for_triangle()
 
            This method returns a scene object that consists of a triangle in
            world 3D. I have found a triangle defined by its three world points to
            be convenient for testing the basic logic of the algorithm for solving
            a structure-from-camera-motion problem.  The triangle returned by this
            method can be subject to any orientation changing and position
            changing transformation.
        
        (13) make_world_points_from_tetrahedron_generic()
 
            Like the previous method, this method returns world points on a
            tetrahedron in world 3D that you can subsequently use for your
            simulated structure-from-moving-camera experiment.
 
        (14) print_camera_matrix()
 
            This utility method is convenient for displaying the 3x4 camera matrix
            for any or all of the positions of the camera.
 
        (15) rotate_previously_initialized_camera_around_world_X_axis()
 
            This method incrementally rotates the camera clockwise around the
            world-X axis by an angle 'theta' in degrees that is supplied to the
            method as its argument.
 
        (16) rotate_previously_initialized_camera_around_world_Y_axis()
 
            This method incrementally rotates the camera clockwise around the
            world-Y axis by an angle 'theta' in degrees that is supplied to the
            method as its argument.
 
        (17) set_constructor_options_for_optimizer( optimizer )
             set_constructor_options_for_optimizer_BA( optimizer )
 
            A ProjectiveCamera instance uses these method to pass on to
            NonlinearLeastSquares all the information needed by the latter (such
            as the observed data vector X or X_BA and the prediction vector Fvec
            or Fvec_BA) for constructing an optimum estimate of the scene
            structure.  The argument 'optimizer' that this method takes is an
            instance of NonlinearLeastSquares.
 
        (18) set_initial_values_for_params()
 
            Every nonlinear least-squares algorithm needs a starting guess for
            whatever it is that is being estimated.  In most cases, you would
            construct a random guess for the parameters and supply those values to
            this method in the form of a dictionary in which each key is the
            symbolic name of one of the parameters being estimated and the value a
            random guess for the parameter.
 
        (19) set_params_list( params_arranged_list )
            
            You will use this method to pass on to the instance of
            ProjectiveCamera an ordered list of the parameters you want estimated
            with nonlinear least-squares.
 
        (20) translate_a_previously_initialized_camera()
 
            This method incrementally displaces the camera by 'translation' that
            is supplied to it as its argument. The argument 'translation' consists
            of a triple of real numbers that stand for a displacement along the
            world-X, along the world-Y, and along the world-Z.
 
        (21) displayImage(self, argimage, file_name_for_save="")
 
            This function, added in Version 2.0.2, is for constructing a camera
            image of an object defined virtually in the world XYZ frame.  I havce
            used this function in the script flyby_photos_of_3D_planar_shape.py
            in the ExamplesStructureFromCameraMotion directory for constructing
            flyby sequence of images of a planar scene in the YZ-plane of the 
            world frame.
 
 
ESTIMATING SCENE STRUCTURE AND CAMERA PARAMETERS WHEN USING AN UNCALIBRATED CAMERA IN MOTION:
    
    The problem of scene construction becomes a lot more challenging when the
    camera in motion is uncalibrated.  When I say uncalibrated, I mean
    uncalibrated with respect to its extrinsic parameters.  We assume in all
    cases in this document that the intrinsic parameters of the camera are known.
 
    What makes structure estimation more complicated in this case is that each new
    camera position adds 6 additional variables to the overall parameter space, 3
    for translation and 3 for rotation as expressed by the Rodrigues parameters.
    Let's say you have M camera positions and N structure points.  That would call
    for (6*M + 3*N) parameters to be estimated by the Levenberg-Marquardt
    algorithm because each camera has six external pose parameters associated with
    it and each structure point is defined by its three world coordinates.
    Assuming that you can see all of the structure points in all the cameras, all
    of the pixels recorded in all of the camera position would constitute a 2*N*M
    dimensional observation vector X.  Therefore, your Jacobian will be of size
    [(2*N*M) x (6*M+3*N)].  For an example, say you have 20 camera positions and
    100 structure points, your Jacobian will be of size 4000x420.  Calculating a
    Jacobian of this size and multiplying it by its transpose could take many more
    than several minutes on a run of the mill machine.  And having to calculate
    the Jacobian multiple times in the iterative framework of nonlinear
    least-squares estimation could test your patience as you are waiting for the
    results.
 
    Fortunately, this otherwise long execution time can be significantly shortened
    if you take advantage of the sparsity of the Jacobian when using uncalibrated
    cameras.  As to why the Jacobian is sparse, consider the fact that each row of
    the Jacobian is a partial derivative of the prediction for one observation
    with respect to ALL the parameters.  Obviously, when you take the partial
    derivative of the prediction function for a pixel in one specific camera with
    respect to the parameters of all other cameras, all those partial derivatives
    will be zero.  The implementations of the Levenberg-Marquardt algorithm that
    take advantage of the sparsity of the Jacobian are commonly referred to as
    "Sparse Bundle Adjustment" or just "Bundle Adjustment".
 
    This logic that this module uses for exploiting the sparsity of the Jacobian
    is based on the paper "SBA: A Software Package for Generic Sparse Bundle
    Adjustment" by Manolis Lourakis and Antonis Argyros that appeared in ACM
    Transactions on Mathematical Software, March 2009.
    
    In honor of these two authors, I have named all of the block Jacobian
    submatrices that take partial derivatives of the predictors with respect to
    the camera parameters as the Argyros matrices.  And I have named all of the
    block Jacobian matrices that do the same with respect to the structure
    variables as Lourakis matrices.
 
    In this module, the "bundle-adjustment" version of Levenberg-Marquardt
    algorithm can be found in the method
 
           bundle_adjust()
 
    of the NonlinearLeastSquares class.  As you will notice, the observation
    vector that I called X in the implementation of the method leven_marq() is now
    called X_BA in the implementation of the method bundle_adjust().  The reason
    has to do with the fact that the basic Levenberg-Marquardt algorithm that you
    see in leven_marq() does not care how the observed data is arranged in the
    vector X. Typically, in my personal computer vision code for multi-camera
    situations, I arrange the data by the camera.  That is, I group together all
    of the pixels recorded in one camera, followed by all of the pixels in the
    second camera, and so on.  That is how the observed data (and, therefore, also
    the prediction vector Fvec) is arranged in the method leven_marq().
    Unfortunately, that ordering of the data does not work for sparse bundle
    adjustment.  To maximally exploit sparse bundle adjustment, you must order the
    observation vector so that your first group together the pixels for what we
    may refer to as the first structure point, to be followed by the pixels in all
    the cameras for the second structure point, and so on.  Because this ordering
    is critical to the SBA algorithm described in the paper by Lourakis and
    Argyros, I have denoted the observation vector X_BA in the method
    bundle_adjust().  The order in which the predictor functionals are placed in
    the predictor vector Fvec must correspond to the order used in X_BA.  So the
    prediction vector in bundle_adjust() is named Fvec_BA.
 
    About how to invoke the bundle-adjustment variant of Levenberg-Marquardt in
    your own code, note the following methods of the ProjectiveCamera class that
    are specially meant for that purpose:
 
        (1)  construct_X_vector_for_bundle_adjustment()
 
             It is this method's job to arrange the observed data (meaning the
             pixels in the camera images) in the special order that is needed by
             the bundle-adjustment algorithm.
 
        (2)  construct_parameter_vec_for_uncalibrated_cameras_with_rodrigues_rotations()    
 
             When using uncalibrated cameras, the parameter vector must include
             three translational and three rotational parameters for each camera.
             These are in addition to the three (X,Y,Z) parameters for each
             structure point being tracked in the cameras.  The job of this method
             is to synthesize this parameter vector.
             
        (3)  construct_Fvec_for_bundle_adjustment()
 
             The ordering used for the observed data (meaning the pixels in the
             cameras) in the X_BA vector must also be used in the prediction
             vector when you use the bundle-adjustment variant of the basic
             Levenberg-Marquardt algorithm.  This method creates the needed
             prediction vector.
       
        (4)  get_scene_structure_from_camera_motion_with_bundle_adjustment()
 
             It is this method of the ProjectiveCamera class that invokes the
             bundle_adjust() method of the NonlinearLeastSquares class.
 
 
THE ExamplesOptimizedSurfaceFit DIRECTORY:
 
    See the 'ExamplesOptimizedSurfaceFit' directory in the distribution for
    examples of how you can use the NonlinearLeastSquares class for solving
    optimization problems.  These examples are based on the domain specific class
    OptimizedSurfaceFit that knows about fitting model surfaces to noisy height
    data over a flat plane.  You will see the following four scripts in this
    directory:
 
        leven_marq.py
 
        grad_descent.py    
 
        leven_marq_with_partial_derivatives.py
 
        grad_descent_with_partial_derivatives.py
 
    For the first two scripts, the NonlinearLeastSquares instance used will
    estimate the needed Jacobian matrix through appropriate numerical
    approximation formulas applied to the elements of the Fvec vector.  On the
    other hand, for the third and the fourth scripts, your own domain-specific
    class must construct the Jacobian matrix, in the form of an array of
    functions. In the case of the domain-specific class OptimizedSurfaceFit that
    comes with this module, this Jacobian matrix is constructed from the
    user-supplied partial derivatives for the model functional.
 
    In order to become familiar with the NonlinearLeastSquares class, you might
    wish to play with the four scripts listed above by:
 
    -- Trying different functional forms for the 'datagen_functional' for
       different shaped surfaces.
 
       When you change the algebraic form of 'datagen_functional' for the
       OptimizedSurfaceFit class, make sure that you also change the algebraic
       form supplied for 'model_functional'.  Note that nonlinear least-squares
       can only calculate the parameters of a model functional that best fit the
       noisy height data; it cannot conjure up a new mathematical form for the
       surface.  So the basic mathematical form of the 'model_functional' must be
       the same as that of the 'datagen_functional'.
 
    -- Trying different degrees of noise.  
 
       As mentioned elsewhere, when you supply a numerical value for the
       constructor option 'how_much_noise_for_synthetic_data' for the
       OptimizedSurfaceFit class, the number you enter should be in proportion to
       the largest numerical coefficient in the 'datagen' functional.  Change this
       numerical value and see what happens to the quality of the final results.
 
    -- Try different values for the initial values of the model parameters.
 
       Since, depending on where the search for the optimum solution is started,
       all nonlinear least-squares methods can get trapped in a local minimum, see
       what happens when you change these initial values.
      
    -- Try different algebraic expressions for the 'model_functional' constructor
       option for the OptimizedSurfaceFit class.  But note that if you change the
       algebraic form of this functional, you must also change the algebraic form
       of the 'datagen_functional' option.
 
    -- Try running the example with and without the partial derivatives that are
       supplied through the 'partials_for_jacobian' option for the
       OptimizedSurfaceFit class.
 
 
THE ExamplesStructureFromCameraMotion DIRECTORY:
 
    See the 'ExamplesStructureFromCameraMotion' directory in the distribution for
    the following three example scripts that show how you can use the
    NonlinearLeastSquares module for estimating the structure of a 3D scene from
    the images recorded by a moving camera:
 
        sfm_with_calibrated_cameras_translations_only.py
 
        sfm_with_uncalibrated_cameras_translations_only.py
 
        bundle_adjust_sfm_with_uncalibrated_cameras_translations_only.py
 
    The first script listed above is for estimating the scene structure with a
    calibrated camera in motion.  As you play with this method, make sure you
    change the level of noise in the initial values supplied for the structure
    parameters to be estimated.  As you will see, the method works even when the
    initial values for the parameters are far from their true values.  Note that
    the ProjectiveCamera class makes it easy to specify calibrated cameras.  The
    constructor of the class first gives you a camera for which you can specify
    the internal and the external parameters through the constructor
    options. Subsequently, you can apply translational and rotational
    transformations to the camera to move it to different locations in world 3D.
    Since the 3x4 camera matrices for all these positions of the camera are known,
    you end up with a set of fully calibrated cameras for experimenting with
    structure-from-motion simulations.
 
    The second and the third scripts listed above are for the case of uncalibrated
    cameras, with the former a straightforward application of the
    Levenberg-Marquardt algorithm and the latter a bundle-adjustment variant of
    the same.  Logically, both these methods must return identical answers.  (If
    you encounter a case when the two do not return the same answer, please send a
    bug report to me. I'd appreciate that very much.)
 
    Just to give you an idea of the speed-up you will get with bundle-adjustment,
    when I run the second script listed above on my laptop, it takes about 15
    minutes for the number of structure points and the number of camera positions
    used in that script.  For exactly the same number of structure points and the
    camera positions, the third script takes only a couple of minutes.  You can
    only imagine the speed-up you will get with a C-based library for sparse
    bundle adjustment --- such as the "sba" library mentioned in the paper by
    Lourakis and Argyros that I cited earlier in this documentation page.
 
    Starting with Version 2.0.2, an additional script in this directory is
 
        flyby_photos_of_3D_planar_shape.py
 
    that allows you to create a flyby sequence of images by "flying" a virtual
    camera (created as an instance of the ProjectiveCamera class) over a scene in
    the world XYZ frame.  The specific example in the above script is for a planar
    shape in the world YZ-plane.
 
 
CAVEAT
 
    Note the bundle-adjustment variant of the Levenberg-Marquardt algorithm that
    you see in the bundle-adjust() method of the NonlinearLeastSquares module is
    meant for just educational purposes.  Being pure Python, it cannot compete
    with highly optimized C-based code you will see in, say, the "sba" library
    mentioned in the article by Lourakis and Argyros that I have cited earlier in
    this documentation.  So if your needs for nonlinear least-squares for
    estimating the structure and the camera parameters are primarily of the
    production variety, go directly to those publicly available libraries.
 
 
INSTALLATION:
 
    The NonlinearLeastSquares class was packaged using setuptools.  For
    installation, execute the following command-line in the source directory (this
    is the directory that contains the setup.py file after you have downloaded and
    uncompressed the package):
 
            sudo python setup.py install
    and/or
            sudo python3 setup.py install
 
    On Linux distributions, this will install the module file at a location that
    looks like
 
             /usr/local/lib/python3.6/dist-packages/
 
    If you do not have root access, you have the option of working directly off
    the directory in which you downloaded the software by simply placing the
    following statements at the top of your scripts that use the
    NonlinearLeastSquares class:
 
            import sys
            sys.path.append( "pathname_to_NonlinearLeastSquares_directory" )
 
    To uninstall the module, simply delete the source directory, locate where the
    NonlinearLeastSquares module was installed with "locate NonlinearLeastSquares"
    and delete those files.  As mentioned above, the full pathname to the
    installed version is likely to look like
    /usr/local/lib/python2.7/dist-packages/NonlinearLeastSquares*
 
    If you want to carry out a non-standard install of the NonlinearLeastSquares
    module, look up the on-line information on Disutils by pointing your browser
    to
 
              http://docs.python.org/dist/dist.html
 
 
BUGS:
 
    Please notify the author if you encounter any bugs.  When sending email,
    please place the string 'NonlinearLeastSquares' in the subject line.
 
 
ABOUT THE AUTHOR:
 
    Not too long ago, the author, Avinash Kak, finished a 17-year long "Objects
    Trilogy Project" with the publication of the last book "Designing with
    Objects" by John-Wiley. If interested, visit his web page at Purdue to find
    out what this project was all about. You might like "Designing with Objects"
    especially if you enjoyed reading Harry Potter as a kid (or even as an adult,
    for that matter).
 
    For all issues related to this module, contact the author at kak@purdue.edu
 
    If you send email, please place the string "NonlinearLeastSquares" in your
    subject line to get past the author's spam filter.
 
 
COPYRIGHT:
 
    Python Software Foundation License
 
    Copyright 2023 Avinash Kak
 
@endofdocs

Imported Modules
		glob itertools math numpy os re scipy sys

Classes
		builtins.object NonlinearLeastSquares   class NonlinearLeastSquares(builtins.object)     NonlinearLeastSquares(*args, **kwargs)       Methods defined here: __init__(self, *args, **kwargs) constructor bundle_adjust(self, *args, **kwargs) This is an implementation of the "bundle adjustment" version of the Levenberg-Marquardt algorithm for nonlinear least-squares.  Bundle adjustment takes advantage of the sparsity of the Jacobian that one sees in  applications such as estimating the scene structure with the images recorded with uncalibrated cameras.   The implementation shown here is based on the now celebrated paper "SBA: A Software Package for Generic Sparse Bundle Adjustment" by Manolis Lourakis and Antonis Argyros that appeared in ACM Transactions on  Mathematical Software, March 2009.   This function is used in the following scripts        bundle_adjust_sfm_with_uncalibrated_cameras_translations_only.py    in the ExamplesStructureFromCameraMotion directory of the distribution.     Note that since bundle_adjust() is written in a generic manner, it is not called directly by the example scripts listed above.  As shown in the scripts, you need to first construct an instance of the class ProjectiveCamera that is a co-class of the main module class NonlinearLeastSquares in the distribution. grad_descent(self) This is an implementation of the basic gradient descent algorithm for nonlinear least-squares as described  in my Lecture 13 notes at the lecture-notes website for Purdue University's ECE661: Computer Vision leven_marq(self) This is an implementation of the Levenberg-Marquardt algorithm for nonlinear least-squares as described  in my Lecture 13 notes at the lecture-notes website for Purdue University's ECE661: Computer Vision   This function is used the following scripts in the ExamplesOptimizedSurfaceFit directory of the distro:               leven_marq.py               leven_marq_with_partial_derivatives.py   It is important to note that the above two scripts do NOT call leven_marq() function directly.  AS  stated in the main document page for the NonlinearLeastSquares module, the code in the file  NonlinearLeastSquares.py is written in a domain agnostic manner.  So you need a domain adaptation  class that knows how to package the arguments for calling leven_marq().  For the case of the two scripts listed above, that domain-specific class in the distro is OptimizedSurfaceFit.  It is a co-class of  the main module class NonlinearLeastSquares in the distribution.   The function leven_marq() defined here is ALSO used in the following two scripts       sfm_with_calibrated_cameras_translations_only.py     sfm_with_uncalibrated_cameras_translations_only.py   in the ExamplesStructureFromCameraMotion directory of the distribution.  Again, these example scripts do NOT directly call the leven_marq() function.  As shown in the two scripts, they must first construct an instance of the ProjectiveCamera class that knows how to bundle the arguments together for calling the leven_marq() function. leven_marq_v1_5(self) This is the implementation of the leven_marq() function as it existed in Version 1.5.  On account of the fact that I made significant changes to this function in Version 2.0.0 of the module, I have retained the old version for the old-time users of my module. set_Fvec(self, Fvector) This method supplies the NonlinearLeastSquares class with the prediction vector whose each element is a functional form of the prediction in the observed data vector X.  Note that  Fvec is a column vector --- meaning a numpy matrix with just one column. set_Fvec_BA(self, Fvector_BA) You need to call this method for providing the NonlinearLeastSquares class with the prediction vector if you are going to be using the bundle-adjustment capabilities of the class. set_X(self, X) set_X_BA(self, X_BA) set_debug(self, debug) set_display_function(self, display_function) set_initial_params(self, initial_params_dict) set_jacobian_functionals_array(self, jacobian_functionals_array) This method expects for its argument an Nxp matrix of functionals for the partial  derivatives needed for the Jacobian matrix.  N is the number of measurements in the X vector and p is the number of parameters in the model.  If you are using nonlinear least-squares to fit optimal surfaces to noisy measurements over the xy-plane, each element of the X vector would correspond to one such measurement at some (x,y) coordinates. And an element the argument jacobian_functionals_array chararray would correspond to the partial derivative of the model functional that already has incorporated the (x,y) coordinates corresponding to that row and that is  a partial derivative of the model with respect to the parameter corresponding to the column. set_num_measurements(self, how_many_measurements) set_num_parameters(self, how_many_parameters) set_params_arranged_list(self, params_list) set_params_ordered_list(self, params_list) set_problem(self, prob) If you are using this module to solve structure from camera motion (sfm) problems, use this method to set 'self.problem' to 'sfm_N' where 'N' is the number of world points you are tracking.   This  is needed because sfm needs the specialized display function defined for the ProjectiveCamera class. Data descriptors defined here: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)

Data
		__author__ = 'Avinash Kak (kak@purdue.edu)' __copyright__ = '(C) 2023 Avinash Kak. Python Software Foundation.' __date__ = '2023-June-14' __url__ = 'https://engineering.purdue.edu/kak/distNonlinearLeastSquares/NonlinearLeastSquares-2.0.2.html' __version__ = '2.0.2'

Author
		Avinash Kak (kak@purdue.edu)