对RANSAC算法的理解

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