RANSAC直线拟合和最小二乘直线拟合的简单介绍
2017-10-24 11:04
295 查看
RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。该算法最早由Fischler和Bolles于1981年提出。核心思想就是随机性和假设性，随机性用于减少计算，循环次数是利用正确数据出现的概率。所谓的假设性，就是说随机抽出来的数据都认为是正确的，并以此去计算其他点，获得其他满足变换关系的点，然后利用投票机制，选出获票最多的那一个变换。
RANSAC的基本假设是：
（1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释；
（2）“局外点”是不能适应该模型的数据；
（3）除此之外的数据属于噪声。
局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。
RANSAC与最小二乘区别：最小二乘法尽量去适应包括局外点在内的所有点。相反，RANSAC能得出一个仅仅用局内点计算出模型，并且概率还足够高。但是，RANSAC并不能保证结果一定正确，为了保证算法有足够高的合理概率，必须小心的选择算法的参数（参数配置）。
这是一张最小二乘直线拟合和RANSAC直线拟合在存在一些误差情况下的结果比对：
可以看到最小二乘是对所有点的最佳拟合，RANSAC则是去除了离主要部分较远的点集进行拟合（这个阈值是可以设定的）。RANSAC的方法不一定对于所有的场景都能正确适用。
RANSAC的基本假设是：
（1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释；
（2）“局外点”是不能适应该模型的数据；
（3）除此之外的数据属于噪声。
局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。
RANSAC与最小二乘区别：最小二乘法尽量去适应包括局外点在内的所有点。相反，RANSAC能得出一个仅仅用局内点计算出模型，并且概率还足够高。但是，RANSAC并不能保证结果一定正确，为了保证算法有足够高的合理概率，必须小心的选择算法的参数（参数配置）。
这是一张最小二乘直线拟合和RANSAC直线拟合在存在一些误差情况下的结果比对：
可以看到最小二乘是对所有点的最佳拟合，RANSAC则是去除了离主要部分较远的点集进行拟合（这个阈值是可以设定的）。RANSAC的方法不一定对于所有的场景都能正确适用。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- RANSAC介绍（Matlab版直线拟合+平面拟合）
- RANSAC介绍（Matlab版直线拟合+平面拟合）
- matlab直线拟合RANSAC初探
- Ransac算法--直线拟合
- Ransac算法--直线拟合
- matlab学习：最小二乘拟合&基于RANSAC的直线拟合&椭圆拟合
- OpenCV2马拉松第25圈——直线拟合与RANSAC算法
- RANSAC算法做直线拟合
- RANSAC估计——以直线拟合为例
- RANSAC算法做直线拟合
- RANSAC拟合直线
- RANSAC算法做直线拟合
- Tesorflow 简单案例 直线的拟合
- 最小二乘拟合&基于RANSAC的直线拟合&椭圆拟合
- java 数据库SQL的简单介绍
- Tensorflow学习教程------softmax简单介绍
- Android RecyclerView使用简单介绍
- Spring 简单介绍
- Android动态加载技术 简单易懂的介绍方式