1.产生[0 N-1]区间的一个随机整数
2.产生一个[0 1]区间的随机小数
3.产生一个[0 N-1]区间的随机序列(常用于RANSAC)
4.产生服从某个分布的概率随机数
1.产生[0 N-1]区间的一个随机整数
#include <iostream>
#include<stdlib.h>
using namespace std;
int main() {
srand((int)time(0)); //如果不加这个,重新运行程序得到的是一样顺序的随机数
int N=51;
for (int i = 0; i < 10; i++) {
cout << random()%(N-1) <<endl;
}
}
2.产生一个[0 1]区间的随机小数
#include <iostream>
#include <vector>
#include<stdlib.h>
using namespace std;
int main() {
srand((int)time(0));
vector<int> nums(10,0);
for (int i = 0; i < 100000; i++) {
//(double)random()/(RAND_MAX)就是产生的随机小数
int k=((double)random()/(RAND_MAX)) /0.1;
nums[k]++;
}
for(int i=0;i<nums.size();i++)
{
cout<<"nums["<<i<<"] = "<<nums[i]<<endl;
}
}
3.产生一个[0 N-1]区间的随机序列
意思就是在[0 N-1]之间的N个整数中随机挑取n个不重复的整数,在RANSAC中经常被使用到,ORBSLAM2中的RANSAC八点法求F矩阵使用到了这种方法。
下面代码展示了从0-99中随机挑选8个不重复的数的组合
#include <iostream>
#include<vector>
#include<stdlib.h>
using namespace std;
int main() {
srand((int)time(0));
int N=100;
int n=8;
vector<int> vAllIndices(N);
vector<int> vAvailableIndices(n);
cout<<"vAllIndices[0] = "<<vAllIndices[0]<<endl;
for(int i=0;i<vAllIndices.size();i++)
{
vAllIndices[i]=i;
}
for(int i=0;i<vAvailableIndices.size();i++)
{
int idx=random()%vAllIndices.size();
vAvailableIndices[i]=vAllIndices[idx];
vAllIndices[idx]=vAllIndices.back();
vAllIndices.pop_back();
}
for(int i=0;i<vAvailableIndices.size();i++)
{
cout<<vAvailableIndices[i]<<" ";
}
cout<<endl;
}
这段代码选择了多组这样的组合,适用于多次的RANSAC
#include <iostream>
#include<vector>
#include<stdlib.h>
using namespace std;
int main() {
srand((int)time(0));
int N=100; //从0-N-1中产生随机数
int n=8; //一次RANSAC需要的个数
int iteration=300;//准备进行iteration次RANSAC
vector<int> vOriginalIndices(N);
vector<int> vProcessingIndices(N);
vector<vector<size_t>> vResultIndices(iteration,vector<size_t>(n,0));
for(int i=0;i<vOriginalIndices.size();i++)
{
vOriginalIndices[i]=i;
}
for(int i=0;i<iteration;i++)
{
vProcessingIndices=vOriginalIndices;
for(int j=0;j<n;j++)
{
int idx=random()%vProcessingIndices.size();
vResultIndices[i][j]=vProcessingIndices[idx];
vProcessingIndices[idx]=vProcessingIndices.back();
vProcessingIndices.pop_back();
}
}
}
4.产生服从某个分布的概率随机数
读别人代码时发现他们经常使用随机数发生器来产生数据,简单地总结下用法
包含的头文件是#include<random>
应用上就是定义一个generator
,这种随机数发生器的种子应该就够用了
std::default_random_engine generator;
然后定义一个分布函数xy_rand
,此处定义了一个均匀分布,需要定义的参数是均匀分布的上下限 std::uniform_real_distribution<double> distribution_uniform(-4, 4.0);
另一种经常使用的分布是高斯分布,需要定义的参数是均值和标准差(不是方差),在用作噪声时均值通常被设置为0,
std::normal_distribution<double> distribution_normal(0., 10);
示例函数,在x轴方向上产生均匀分布,y方向标准正态分布,然后描绘二位坐标点的分布情况
#include<iostream>
#include<fstream>
#include<random>
using namespace std;
int main()
{
ofstream out("point_random.txt");
std::default_random_engine generator;
std::uniform_real_distribution<double> distribution_uniform(-4, 4.0);
std::normal_distribution<double> distribution_normal(0., 1);
cout<<"distribution.stddev() = "<<distribution_normal.stddev()<<endl;
for(size_t i=0;i<10000;i++)
{
out<<distribution_uniform(generator)<<" "<<distribution_normal(generator)<<endl;
}
}
然后把y轴上的正态分布的标准差改为10,产生了下面这种情况,符合标准差越大,数据越分散的高斯性质