RANSAC（RANdom SAmple Consensus）是一种用于去除异常值并找到最佳模型的迭代方法。该方法从最少的数据点开始构建模型，然后逐步添加与模型一致的数据点。在点集拟合圆弧的例子中，RANSAC会选择三个点计算圆心和半径，再通过比较点与模型的偏差来确定一致集。关键在于如何确定偏差阈值T1、一致集最小值t和最大尝试次数K。偏差阈值T1通常基于数据的测量误差，一致集大小t确保模型的稳定性，最大尝试次数K保证找到最优模型的概率。文章探讨了RANSAC的细节和改进策略，并给出了一个7点拟合的例子。
传统的数据拟合（smoothing）技术要求用尽可能多的数据，推导出一个最初的拟合模型，之后再试图减少无效的数据；RANSAC方法则相反的，用尽可能少的一组数据推导出一个拟合模型，然后再用尽可能与模型一致的数据扩大这个数据集。例如，假设给定一组二维的点坐标数据，来拟合一段圆弧。RANSAC方法是去找到(可以使随机抽取)三个点（因为最少三个点确定一个圆），计算这三个点所确定的圆的圆心和半径。统计与这个圆最接近的点的个数，如果这些点的数目足够多，RANSAC就利用这些点，采用一种数据拟合技术如最小二乘法，来重新计算圆的圆心和半径。这样计算出来的圆参数更接近理想的圆，因为所利用的点都是比较接近，根据这些点计算所得的测量误差较小。通常，测量误差呈正态分布，而分类误差是gross error,对拟合结果的影响比测量误差大，而且不能通过平均消除。
Martin Fischler and Robert Bolls 在他们的文献中至此一直未提一些关键细节：比如，找到圆的初始拟合模型，再尝试新的点，计算出来的偏差较大则剔除这个点，即不把这个点添加到一致集中？这里，如何度量偏差是大还是小？那个参考值怎样确定？偏差多大是大多小是小？这是问题一。问题二是初始选到的这三个点如果本身就不是，部分或者全部，最终一致集中的点，这个方法怎么能知道这一点？我推想就是，用本身不适合做一致集中的点做为最初
最低0.47元/天 解锁文章
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
