RANSAC算法介绍
-
定义
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。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。
-
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;
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;
4、比较当前模型和之前推出的最好的模型的“内点“的数量,记录最大“内点”数的模型参数和“内点”数;
5、重复1-4步,直到迭代结束或者当前模型已经足够好了(“内点数目大于一定数量”)。
python实现代码
-
环境依赖
- python3.x
- numpy
-
核心代码
import numpy as np import random import math def fit_line_by_ransac(point_list, sigma, iters = 1000, P = 0.99): # 使用RANSAC算法拟合直线 # 迭代最大次数 iters = 1000 # 数据和模型之间可接受的差值 sigma # 希望的得到正确模型的概率P = 0.99 # 最好模型的参数估计 best_a = 0#直线斜率 best_b = 0#直线截距 n_total = 0#内点数目 for i in range(iters): # 随机选两个点去求解模型 sample_index = random.sample(range(len(point_list)), 2) x_1 = point_list[sample_index[0]][0] y_1 = point_list[sample_index[0]][1] x_2 = point_list[sample_index[1]][0] y_2 = point_list[sample_index[1]][1] if x_2 == x_1: continue # y = ax + b 求解出a,b a = (y_2 - y_1) / (x_2 - x_1) b = y_1 - a * x_1 # 算出内点数目 total_inlier = 0 for index in range(len(point_list)): y_estimate = a * point_list[index][0] + b if abs(y_estimate - point_list[index][1]) < sigma: total_inlier += 1 # 判断当前的模型是否比之前估算的模型好 if total_inlier > n_total: iters = math.log(1 - P) / math.log(1 - pow(total_inlier/len(point_list), 2)) n_total = total_inlier best_a = a best_b = b # 判断是否当前模型已经符合超过一半的点 if total_inlier > len(point_list)//2: break return best_a, best_b if __name__ == '__main__': #测试 points = [(1,3), (5,11), (8,18), (9,22), (10, 19), (19,37)] a,b = fit_line_by_ransac(points, sigma=3) print('line: y=%s*x+%s' %(a, b))
-
输出结果
line: y=2.0*x+-1.0