[Matlab]基于matlab的ransac平面拟合程序
2017-05-12 11:20
363 查看
输入:①数据 ②抽样次数N ③距离阈值t ④数量阈值T
输出:最终估计的模型
程序流程:
1。data :数据
2。取样本 :确定模型参数p所需要的最小数据数n,随机取n个数据作为一个样本J
3。建模型:根据样本J建立模型Mp(J)。
4。判断距离:根据模型Mp(J)判断所有数据点到模型的距离。
5。记录:记录 距离小于t的个数total 和 距离小于t的点的索引。
6。判断: 若total>数量阈值T :则用距离小于t的点重新估计模型 重复3-5一次。
若total<数量阈值T:则跳出。
7。记录最大total和此时的模型作为最佳模型。
8。循环N次。
9。输出
函数ransac_fitplane
函数 拟合平面
把参数调大之后明显好多了。
调试代码
输出:最终估计的模型
程序流程:
1。data :数据
2。取样本 :确定模型参数p所需要的最小数据数n,随机取n个数据作为一个样本J
3。建模型:根据样本J建立模型Mp(J)。
4。判断距离:根据模型Mp(J)判断所有数据点到模型的距离。
5。记录:记录 距离小于t的个数total 和 距离小于t的点的索引。
6。判断: 若total>数量阈值T :则用距离小于t的点重新估计模型 重复3-5一次。
若total<数量阈值T:则跳出。
7。记录最大total和此时的模型作为最佳模型。
8。循环N次。
9。输出
函数ransac_fitplane
function [a,b,c,d]=ransac_fitplane(data,N,t,T) figure;plot3(data(1,:),data(2,:),data(3,:),'o');hold on; % 显示数据 iter = N; %抽样次数N number = size(data,2); % 总数 maxNum=0; %符合拟合模型的数据的个数 for i=1:iter %循环次数 sampleidx = randperm(number); sampleidx =sampleidx(1,1:3); sample = data(:,sampleidx); %取样本 [a1,a2,a3,a4]=get_nice_plane(sample);%拟合直线方程 z=ax+by+c plane = [-a1/a3,-a2/a3,-1,-a4/a3];%建模型 mask=abs(plane*[data; ones(1,size(data,2))]); %求每个数据到拟合平面的距离 total=sum(mask<t); %计算数据距离平面小于一定阈值的数据的个数 index= mask<t; if total>T nsample=data(:,index); [a1,a2,a3,a4]=get_nice_plane(nsample); plane = [-a1/a3,-a2/a3,-1,-a4/a3]; %z=ax+by+c mask=abs(plane*[data; ones(1,size(data,2))]); total=sum(mask<t); %计算数据距离平面小于一定阈值的数据的个数 end; if total>maxNum %记录最大total maxNum=total; bestplane=plane;%最好的拟合平面 bestindex=index; bestplane2=[a1,a2,a3,a4]; end end %显示符合最佳拟合的数据 maxNum %最大一致集 avgerror=abs(bestplane*[data; ones(1,size(data,2))]); avgerror=sum(avgerror(find(avgerror<t)))/maxNum %计算一致集内平均误差 a=bestplane2(1);b=bestplane2(2);c=bestplane2(3);d=bestplane2(4); % 图形绘制 temp1=data(1,bestindex); temp2=data(2,bestindex); xfit = min(temp1):0.2:max(temp1); yfit = min(temp2):0.2:max(temp2); [XFIT,YFIT]= meshgrid (xfit,yfit); ZFIT = bestplane(1)*XFIT+bestplane(2)*YFIT+bestplane(4); mesh(XFIT,YFIT,ZFIT);grid on; xlabel('X'); ylabel('Y'); end
函数 拟合平面
function [a,b,c,d]=get_nice_plane(data) planeData=data'; % 协方差矩阵的SVD变换中,最小奇异值对应的奇异向量就是平面的方向 xyz0=mean(planeData,1); centeredPlane=bsxfun(@minus,planeData,xyz0); [~,~,V]=svd(centeredPlane); a=V(1,3); b=V(2,3); c=V(3,3); d=-dot([a b c],xyz0); end
把参数调大之后明显好多了。
调试代码
clc;clear all;close all; mu=[0 0 0]; S=[2 0 4;0 4 0;4 0 8]; data1=mvnrnd(mu,S,400); %外点 mu=[2 2 2]; S=[8 1 4;1 8 2;4 2 8]; data2=mvnrnd(mu,S,500); data=[data1',data2'];%% 相当于原始数据 [a,b,c,d]=ransac_fitplane(data,3000,0.5,300)
相关文章推荐
- matlab学习:最小二乘拟合&基于RANSAC的直线拟合&椭圆拟合
- RANSAC介绍(Matlab版直线拟合+平面拟合)
- matlab中实现RANSAC平面拟合
- RANSAC介绍(Matlab版直线拟合+平面拟合)
- matlab练习程序(随机抽样一致RANSAC)
- 9.4 【OpenCV】 基于 ransac 算法的 sift 特征匹配程序(开发环境为OpenCV2.3.1+VS2010)
- 基于最小二乘法的平面拟合,背景去除
- 利用 ransac 算法拟合平面
- 基于加权最小二乘法的保边缘平滑滤波器(WLS),matlab程序自己编写,更直观
- Matlab程序 转C++/Opencv基于Mat 不可不知的17个函数
- Matlab程序 转C++/Opencv基于Mat 不可不知的17个函数
- OpenCV】 基于 ransac 算法的 sift 特征匹配程序(开发环境为OpenCV2.3.1+VS2010)
- 信号峰拟合的MATLAB程序,包括高斯拟合,多高斯拟合等多种类型
- matlab练习程序(随机抽样一致RANSAC)
- 基于EMD的包络谱进行故障诊断matlab程序实例
- 基于dct变换的图像编解码(包含Z扫描与反Z扫描)的matlab程序
- 利用MATLAB进行直线拟合的程序
- 基于matlab的图像小波降噪程序
- 基于最小二乘法的平面拟合,背景去除