机器视觉:ransac算法详解

目录

一、说明:

二、算法步骤

三、算法代码

四、其它补充


一、说明:

        RANSAC是一种常用的参数估计方法,全称为Random Sample Consensus(随机抽样一致性)。它通过随机选择数据中的一部分,然后根据这些数据拟合模型,统计模型与其他数据的偏差,最终筛选出符合一定阈值的数据,用于估计参数。RANSAC可以应用于很多领域,如计算机视觉、机器人和地理信息系统等。其优点在于对噪声数据和异常值有很强的鲁棒性,能够有效地估计参数。

        在线性回归问题中,采样点具备明显的线性相关性;如下图左。然而有些情性中,噪声很大,线性性散布在非线性点的噪声中,将无法用线性回归 的方法进行直线提取。

机器视觉:ransac算法详解_第1张图片

         随机样本一致性 (RANSAC) 是一种迭代方法,用于从一组包含异常值的观察数据中估计数学模型的参数,此时异常值不会对估计值产生影响。因此,它也可以解释为一种异常值检测方法。 [1]从某种意义上说,它是一种非确定性算法࿰

你可能感兴趣的:(数字图形和图像处理,算法,计算机视觉)