RANSAC（随机一致性采样）原理

@

目录

• 一、基本思想：
• 二、基本步骤
• 三、采样次数确定
• 打赏

RANSAC主要解决样本中的外点问题，最多可处理50%的外点情况。

一、基本思想：

RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：

1. 有一个模型适用于假设的局内点，即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。
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，因为它仅仅被初始的假设局内点估计过。
5. 最后，通过估计局内点与模型的错误率来评估模型。

这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为它比现有的模型更好而被选用。

二、基本步骤

举个例子：使用RANSAC——拟合直线。假设有N个样本点，采样M次，每次采样K个点（K为求解模型所需的最少的点的个数），求解步骤如下：

1. 随机选取K个点，因为是直线模型，所以K=2.
   

2. 使用选取的K个点建模，拟合一条直线
   

3. 计算其他点到所拟合的模型的距离，距离小于一定阈值的点就作为内点。统计内点个数。
   

4. 重复1～3步骤M次，找到内点个数最大的模型，即为最优的模型
   

5. 利用最优模型的所有内点重新估计模型
   

三、采样次数确定

打赏

如果对您有帮助，就打赏一下吧O(∩_∩)O