RANSAC与LSP

最近又要用到ransac算法,之前学过也用过，但是好久没用，只知道是干什么用的，现在来重新总结一下，再来复习一遍：

       Ransac和最小二乘法都用于模型的最优估计；RANSAC是考虑局部有用的那些数据，取有用数据的模型；LSP考虑的是全局数据，取全局误差最小的模型

一、基础原理：

RANSAC:称为随机抽样一致算法（random sample consensus,RANSAC）,采用迭代的方式从一组包含outliers（离群）的被观测数据中估算出最优inliers数学模型。

算法简介：RANSAC算法的基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(outliers，偏离正常范围很远、无法适应数学模型的数据)，即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法。

使用条件：1）.一组带噪声的观测数据，其中的inliers数据占了大多数；2）.有一个可以解释可信观测数据的参数化模型

二、对比：

最小二乘法(LSP)：是从全局出发，考虑所有数据，从所有数据中估计出一个整体误差最小的模型，默认为所有的数据都为inliers，都会参与建模；

RANSAC:算法是从一堆数据中选择出某一个模型，前提是假设这组数据有某种特性，数据里有inliers和outliers，也就是在建模的数据中掺杂着噪声数据，在建模的是时候应该剔除这些噪声数据，仅选择inliers数据来建模，这是和LSP最本质的区别；

假设一组数据符合一个直线模型：y=ax+b，用最小二乘就可以很容易求解出未知参数a和b。

当观测的数据充满了噪声时，比如下面图中的黑点，很明显中间有一条直线，但是用最小二乘去解它，于是出问题啦：

很显然最小二乘失效了，这时候就要用RANSAC去解决它。

 

RANSAC的算法大致可以表述为（来自wikipedia）：
Given:
    data – a set of observed data points
    model – a model that can be fitted to data points
    n – the minimum number of data values required to fit the model
    k – the maximum number of iterations allowed in the algorithm
    t – a threshold value for determining when a data point fits a model
    d – the number of close data values required to assert that a model fits well to data

Return:
    bestfit – model parameters which best fit the data (or nul if no good model is found)

iterations = 0
bestfit = nul
besterr = something really large
while iterations < k {
    maybeinliers = n randomly selected values from data
    maybemodel = model parameters fitted to maybeinliers
    alsoinliers = empty set
    for every point in data not in maybeinliers {
        if point fits maybemodel with an error smaller than t
             add point to alsoinliers
    }
    if the number of elements in alsoinliers is > d {
        % this implies that we may have found a good model
        % now test how good it is
        bettermodel = model parameters fitted to all points in maybeinliers and alsoinliers
        thiserr = a measure of how well model fits these points
        if thiserr < besterr {
            bestfit = bettermodel
            besterr = thiserr
        }
    }
    increment iterations
}
return bestfit

三、RANSAC应用简介

RANSAC其实就是一种采样方式，例如在图像拼接（Image stitching）技术中：

第一步：预处理后（据说桶形变换，没有去了解过）提取图像特征（如SIFT）

第二步：特征点进行匹配，可利用归一化互相关(NormalizedCross Correlation method, NCC)等方法。

但这个时候会有很多匹配错误的点：

这就好比拟合曲线，有很多的误差点，这个时候就想到了RANSAC算法：我不要再兼顾所有了，每次选取Nums个点匹配→计算匹配后容差范围内的点数→重复实验，迭代结束后，找出点数最多的情况，就是最优的匹配。 

利用RANSAC匹配：

第三步：图像拼接，这个就涉及拼接技术了，直接给出结果：

 

 

 

 参考：

https://en.wikipedia.org/wiki/Random_sample_consensus

https://blog.csdn.net/zinnc/article/details/52319716

https://www.cnblogs.com/xingshansi/p/6763668.html

https://blog.csdn.net/laobai1015/article/details/51682596