python散点图拟合曲线如何求拟合_RANSAC算法详解(附Python拟合曲线和平面)

之前只是简单了解RANSAC模型，知道它是干什么的。然后今天有个课程设计的报告，上去讲了一下RANSAC，感觉这个东西也没那么复杂，所以今天就总结一些RASAC并用Python实现一下直线拟合。

RANSAC简介

RANSAC(RAndom SAmple Consensus,随机采样一致)算法是从一组含有“外点”(outliers)的数据中正确估计数学模型参数的迭代算法。“外点”一般指的的数据中的噪声，比如说匹配中的误匹配和估计曲线中的离群点。所以，RANSAC也是一种“外点”检测算法。RANSAC算法是一种不确定算法，它只能在一种概率下产生结果，并且这个概率会随着迭代次数的增加而加大（之后会解释为什么这个算法是这样的）。RANSAC算最早是由Fischler和Bolles在SRI上提出用来解决LDP(Location Determination Proble)问题的。

对于RANSAC算法来说一个基本的假设就是数据是由“内点”和“外点”组成的。“内点”就是组成模型参数的数据，“外点”就是不适合模型的数据。同时RANSAC假设：在给定一组含有少部分“内点”的数据，存在一个程序可以估计出符合“内点”的模型。

以上文字翻译于wiki，并加有一些博主自己的理解。

算法基本思想和流程

RANSAC是通过反复选择数据集去估计出模型，一直迭代到估计出认为比较好的模型。

具体的实现步骤可以分为以下几步：

1.选择出可以估计出模型的最小数据集；(对于直线拟合来说就是两个点，对于计算Homography矩阵就是4个点)

2.使用这个数据集来计算出数据模型；

3.将所有数据带入这个模型，计算出“内点”的数目；(累加在一定误差范围内的适合当前迭代推出模型的数据)

4.比较当前模型和之前推出的最好的模型的“内点“的数量&#