文章目录
RANSAC简单理解
RANSAC是“RANdom SAmple Consensus(随机抽样一致)”的缩写。见名知义,就是在全部的样本点中随机抽取一些点,这些点的拟合模型是一致的。
RANSAC详细理解
首先我们理解几个概念:局内点,局外点、噪声。
参照下图:
在这张图中,蓝色的点就是相对于直线(蓝色)模型的局内点,红色的点就是局外点。(噪声点是除局外点和局内点的点,例如蓝色点中距离直线最远的点,你可以说他是局内点,但由于对直线的拟合程度不是特别好,也可以说是噪声点,噪声点的极值就会变成局外点。并不重要 )
于是,RANSAC算法可以这样描述:
1.首先我们先随机假设一小组局内点为初始值。然后用此局内点拟合一个模型,此模型适应于假设的局内点,所有的未知参数都能从假设的局内点计算得出。
2.用1中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点,将局内点扩充。
3.如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理。
4.然后,用所有假设的局内点去重新估计模型,因为此模型仅仅是在初始的假设的局内点估计的,后续有扩充后,需要更新。
5.最后,通过估计局内点与模型的错误率来评估模型。
整个这个过程为迭代一次,此过程被重复执行固定的次数,每次产生的模型有两个结局:
1、要么因为局内点太少,还不如上一次的模型,而被舍弃,
2、要么因为比现有的模型更好而被选用。
原文链接:https://blog.csdn.net/robinhjwy/article/details/79174914