我的数学之美(一)——RANSAC算法详解
我的数学之美(一)——RANSAC算法详解
- 博客分类:
- 图像识别、机器学习、数据挖掘
生产实践中的数据往往会有一定的偏差。例如我们知道两个变量X与Y之间呈线性关系,Y=aX+b,我们想确定参数a与b的具体值。通过实验,可以得到一组X与Y的测试值。虽然理论上两个未知数的方程只需要两组值即可确认,但由于系统误差的原因,任意取两点算出的a与b的值都不尽相同。我们希望的是,最后计算得出的理论模型与测试值的误差最小。大学的高等数学课程中,详细阐述了最小二乘法的思想。通过计算最小均方差关于参数a、b的偏导数为零时的值。事实上,在很多情况下,最小二乘法都是线性回归的代名词。
遗憾的是,最小二乘法只适合与误差较小的情况。试想一下这种情况,假使需要从一个噪音较大的数据集中提取模型(比方说只有20%的数据时符合模型的)时,最小二乘法就显得力不从心了。例如下图,肉眼可以很轻易地看出一条直线(模式),但算法却找错了。
RANSAC算法的输入是一组观测数据(往往含有较大的噪声或无效点),一个用于解释观测数据的参数化模型以及一些可信的参数。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:
- 有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出。
- 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。
- 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。
- 然后,用所有假设的局内点去重新估计模型(譬如使用最小二乘法),因为它仅仅被初始的假设局内点估计过。
- 最后,通过估计局内点与模型的错误率来评估模型。
- 上述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,要么因为比现有的模型更好而被选用。
整个过程可参考下图:
关于算法的源代码,Ziv Yaniv曾经写一个不错的C++版本,我在关键处增补了注释:
- #include <math.h>
- #include "LineParamEstimator.h"
- LineParamEstimator::LineParamEstimator(double delta) : m_deltaSquared(delta*delta) {}
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 通过输入的两点来确定所在直线,采用法线向量的方式来表示,以兼容平行或垂直的情况
- * 其中n_x,n_y为归一化后,与原点构成的法线向量,a_x,a_y为直线上任意一点
- */
- void LineParamEstimator::estimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- parameters.clear();
- if(data.size()<2)
- return;
- double nx = data[1]->y - data[0]->y;
- double ny = data[0]->x - data[1]->x;// 原始直线的斜率为K,则法线的斜率为-1/k
- double norm = sqrt(nx*nx + ny*ny);
- parameters.push_back(nx/norm);
- parameters.push_back(ny/norm);
- parameters.push_back(data[0]->x);
- parameters.push_back(data[0]->y);
- }
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 使用最小二乘法,从输入点中拟合出确定直线模型的所需参量
- */
- void LineParamEstimator::leastSquaresEstimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- double meanX, meanY, nx, ny, norm;
- double covMat11, covMat12, covMat21, covMat22; // The entries of the symmetric covarinace matrix
- int i, dataSize = data.size();
- parameters.clear();
- if(data.size()<2)
- return;
- meanX = meanY = 0.0;
- covMat11 = covMat12 = covMat21 = covMat22 = 0;
- for(i=0; i<dataSize; i++) {
- meanX +=data[i]->x;
- meanY +=data[i]->y;
- covMat11 +=data[i]->x * data[i]->x;
- covMat12 +=data[i]->x * data[i]->y;
- covMat22 +=data[i]->y * data[i]->y;
- }
- meanX/=dataSize;
- meanY/=dataSize;
- covMat11 -= dataSize*meanX*meanX;
- covMat12 -= dataSize*meanX*meanY;
- covMat22 -= dataSize*meanY*meanY;
- covMat21 = covMat12;
- if(covMat11<1e-12) {
- nx = 1.0;
- ny = 0.0;
- }
- else { //lamda1 is the largest eigen-value of the covariance matrix
- //and is used to compute the eigne-vector corresponding to the smallest
- //eigenvalue, which isn't computed explicitly.
- double lamda1 = (covMat11 + covMat22 + sqrt((covMat11-covMat22)*(covMat11-covMat22) + 4*covMat12*covMat12)) / 2.0;
- nx = -covMat12;
- ny = lamda1 - covMat22;
- norm = sqrt(nx*nx + ny*ny);
- nx/=norm;
- ny/=norm;
- }
- parameters.push_back(nx);
- parameters.push_back(ny);
- parameters.push_back(meanX);
- parameters.push_back(meanY);
- }
- /*****************************************************************************/
- /*
- * Given the line parameters [n_x,n_y,a_x,a_y] check if
- * [n_x, n_y] dot [data.x-a_x, data.y-a_y] < m_delta
- * 通过与已知法线的点乘结果,确定待测点与已知直线的匹配程度;结果越小则越符合,为
- * 零则表明点在直线上
- */
- bool LineParamEstimator::agree(std::vector<double> ¶meters, Point2D &data)
- {
- double signedDistance = parameters[0]*(data.x-parameters[2]) + parameters[1]*(data.y-parameters[3]);
- return ((signedDistance*signedDistance) < m_deltaSquared);
- }
#include <math.h> #include "LineParamEstimator.h"LineParamEstimator::LineParamEstimator(double delta) : m_deltaSquared(delta*delta) {} /*****************************************************************************/ /** Compute the line parameters [n_x,n_y,a_x,a_y]* 通过输入的两点来确定所在直线,采用法线向量的方式来表示,以兼容平行或垂直的情况* 其中n_x,n_y为归一化后,与原点构成的法线向量,a_x,a_y为直线上任意一点*/ void LineParamEstimator::estimate(std::vector<Point2D *> &data, std::vector<double> ¶meters) {parameters.clear();if(data.size()<2)return;double nx = data[1]->y - data[0]->y;double ny = data[0]->x - data[1]->x;// 原始直线的斜率为K,则法线的斜率为-1/kdouble norm = sqrt(nx*nx + ny*ny);parameters.push_back(nx/norm);parameters.push_back(ny/norm);parameters.push_back(data[0]->x);parameters.push_back(data[0]->y); } /*****************************************************************************/ /** Compute the line parameters [n_x,n_y,a_x,a_y]* 使用最小二乘法,从输入点中拟合出确定直线模型的所需参量*/ void LineParamEstimator::leastSquaresEstimate(std::vector<Point2D *> &data, std::vector<double> ¶meters) {double meanX, meanY, nx, ny, norm;double covMat11, covMat12, covMat21, covMat22; // The entries of the symmetric covarinace matrixint i, dataSize = data.size();parameters.clear();if(data.size()<2)return;meanX = meanY = 0.0;covMat11 = covMat12 = covMat21 = covMat22 = 0;for(i=0; i<dataSize; i++) {meanX +=data[i]->x;meanY +=data[i]->y;covMat11 +=data[i]->x * data[i]->x;covMat12 +=data[i]->x * data[i]->y;covMat22 +=data[i]->y * data[i]->y;}meanX/=dataSize;meanY/=dataSize;covMat11 -= dataSize*meanX*meanX;covMat12 -= dataSize*meanX*meanY;covMat22 -= dataSize*meanY*meanY;covMat21 = covMat12;if(covMat11<1e-12) {nx = 1.0;ny = 0.0;}else { //lamda1 is the largest eigen-value of the covariance matrix //and is used to compute the eigne-vector corresponding to the smallest//eigenvalue, which isn't computed explicitly.double lamda1 = (covMat11 + covMat22 + sqrt((covMat11-covMat22)*(covMat11-covMat22) + 4*covMat12*covMat12)) / 2.0;nx = -covMat12;ny = lamda1 - covMat22;norm = sqrt(nx*nx + ny*ny);nx/=norm;ny/=norm;}parameters.push_back(nx);parameters.push_back(ny);parameters.push_back(meanX);parameters.push_back(meanY); } /*****************************************************************************/ /** Given the line parameters [n_x,n_y,a_x,a_y] check if* [n_x, n_y] dot [data.x-a_x, data.y-a_y] < m_delta* 通过与已知法线的点乘结果,确定待测点与已知直线的匹配程度;结果越小则越符合,为* 零则表明点在直线上*/ bool LineParamEstimator::agree(std::vector<double> ¶meters, Point2D &data) {double signedDistance = parameters[0]*(data.x-parameters[2]) + parameters[1]*(data.y-parameters[3]); return ((signedDistance*signedDistance) < m_deltaSquared); }
RANSAC寻找匹配的代码如下:
- /*****************************************************************************/
- template<class T, class S>
- double Ransac<T,S>::compute(std::vector<S> ¶meters,
- ParameterEsitmator<T,S> *paramEstimator ,
- std::vector<T> &data,
- int numForEstimate)
- {
- std::vector<T *> leastSquaresEstimateData;
- int numDataObjects = data.size();
- int numVotesForBest = -1;
- int *arr = new int[numForEstimate];// numForEstimate表示拟合模型所需要的最少点数,对本例的直线来说,该值为2
- short *curVotes = new short[numDataObjects]; //one if data[i] agrees with the current model, otherwise zero
- short *bestVotes = new short[numDataObjects]; //one if data[i] agrees with the best model, otherwise zero
- //there are less data objects than the minimum required for an exact fit
- if(numDataObjects < numForEstimate)
- return 0;
- // 计算所有可能的直线,寻找其中误差最小的解。对于100点的直线拟合来说,大约需要100*99*0.5=4950次运算,复杂度无疑是庞大的。一般采用随机选取子集的方式。
- computeAllChoices(paramEstimator,data,numForEstimate,
- bestVotes, curVotes, numVotesForBest, 0, data.size(), numForEstimate, 0, arr);
- //compute the least squares estimate using the largest sub set
- for(int j=0; j<numDataObjects; j++) {
- if(bestVotes[j])
- leastSquaresEstimateData.push_back(&(data[j]));
- }
- // 对局内点再次用最小二乘法拟合出模型
- paramEstimator->leastSquaresEstimate(leastSquaresEstimateData,parameters);
- delete [] arr;
- delete [] bestVotes;
- delete [] curVotes;
- return (double)leastSquaresEstimateData.size()/(double)numDataObjects;
- }
/*****************************************************************************/ template<class T, class S> double Ransac<T,S>::compute(std::vector<S> ¶meters, ParameterEsitmator<T,S> *paramEstimator , std::vector<T> &data, int numForEstimate) {std::vector<T *> leastSquaresEstimateData;int numDataObjects = data.size();int numVotesForBest = -1;int *arr = new int[numForEstimate];// numForEstimate表示拟合模型所需要的最少点数,对本例的直线来说,该值为2short *curVotes = new short[numDataObjects]; //one if data[i] agrees with the current model, otherwise zeroshort *bestVotes = new short[numDataObjects]; //one if data[i] agrees with the best model, otherwise zero//there are less data objects than the minimum required for an exact fitif(numDataObjects < numForEstimate) return 0;// 计算所有可能的直线,寻找其中误差最小的解。对于100点的直线拟合来说,大约需要100*99*0.5=4950次运算,复杂度无疑是庞大的。一般采用随机选取子集的方式。computeAllChoices(paramEstimator,data,numForEstimate,bestVotes, curVotes, numVotesForBest, 0, data.size(), numForEstimate, 0, arr);//compute the least squares estimate using the largest sub setfor(int j=0; j<numDataObjects; j++) {if(bestVotes[j])leastSquaresEstimateData.push_back(&(data[j]));}// 对局内点再次用最小二乘法拟合出模型paramEstimator->leastSquaresEstimate(leastSquaresEstimateData,parameters);delete [] arr;delete [] bestVotes;delete [] curVotes; return (double)leastSquaresEstimateData.size()/(double)numDataObjects; }
在模型确定以及最大迭代次数允许的情况下,RANSAC总是能找到最优解。经过我的实验,对于包含80%误差的数据集,RANSAC的效果远优于直接的最小二乘法。
RANSAC可以用于哪些场景呢?最著名的莫过于图片的拼接技术。优于镜头的限制,往往需要多张照片才能拍下那种巨幅的风景。在多幅图像合成时,事先会在待合成的图片中提取一些关键的特征点。计算机视觉的研究表明,不同视角下物体往往可以通过一个透视矩(3X3或2X2)阵的变换而得到。RANSAC被用于拟合这个模型的参数(矩阵各行列的值),由此便可识别出不同照片中的同一物体。可参考下图:
另外,RANSAC还可以用于图像搜索时的纠错与物体识别定位。下图中,有几条直线是SIFT匹配算法的误判,RANSAC有效地将其识别,并将正确的模型(书本)用线框标注出来:
- 大小: 23.1 KB
- 大小: 117.6 KB
- 大小: 1.7 MB
- 大小: 1.9 MB
- 大小: 1.9 MB
- 大小: 105.8 KB
- 查看图片附件
- 2011-03-14 12:53
- 浏览 64407
- 评论(0)
- 分类:编程语言
- 查看更多
相关资源推荐
- Python Crash Course
- Java数据结构与算法解析(一)——表
- 关注CSDN程序人生公众号,轻松获得下载积分
- 微信小程序 VS 原生App
- 操作系统OEM DIY工具
- 一小时学会搭建网站
- 迅捷全站功能模块
- P2P3.01局域网管理软件
- 聊天机器人2002
- Java编程语言.(第三版)——虞万荣 等译.pdf
- 高级 计算器 多功能 数学计算器 编程语言C#
- BrainF**k编程语言的解释器,调试器和编译器——CPBF 2.1.1
- 编程语言算法导论中文版
- C#编程语言详解
- C#编程语言详解
- C#编程语言详解 内容挺详细的
- C#编程语言详解.part2.rar
- C#编程语言详解
- C#编程语言详解以及经验总结
- C#编程语言详解
参考知识库
- 算法与数据结构知识库 18424 关注 | 2320 收录
评论
发表评论
您还没有登录,请您登录后再发表评论
我的数学之美(一)——RANSAC算法详解
- 博客分类:
- 图像识别、机器学习、数据挖掘
生产实践中的数据往往会有一定的偏差。例如我们知道两个变量X与Y之间呈线性关系,Y=aX+b,我们想确定参数a与b的具体值。通过实验,可以得到一组X与Y的测试值。虽然理论上两个未知数的方程只需要两组值即可确认,但由于系统误差的原因,任意取两点算出的a与b的值都不尽相同。我们希望的是,最后计算得出的理论模型与测试值的误差最小。大学的高等数学课程中,详细阐述了最小二乘法的思想。通过计算最小均方差关于参数a、b的偏导数为零时的值。事实上,在很多情况下,最小二乘法都是线性回归的代名词。
遗憾的是,最小二乘法只适合与误差较小的情况。试想一下这种情况,假使需要从一个噪音较大的数据集中提取模型(比方说只有20%的数据时符合模型的)时,最小二乘法就显得力不从心了。例如下图,肉眼可以很轻易地看出一条直线(模式),但算法却找错了。
RANSAC算法的输入是一组观测数据(往往含有较大的噪声或无效点),一个用于解释观测数据的参数化模型以及一些可信的参数。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:
- 有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出。
- 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。
- 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。
- 然后,用所有假设的局内点去重新估计模型(譬如使用最小二乘法),因为它仅仅被初始的假设局内点估计过。
- 最后,通过估计局内点与模型的错误率来评估模型。
- 上述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,要么因为比现有的模型更好而被选用。
整个过程可参考下图:
关于算法的源代码,Ziv Yaniv曾经写一个不错的C++版本,我在关键处增补了注释:
- #include <math.h>
- #include "LineParamEstimator.h"
- LineParamEstimator::LineParamEstimator(double delta) : m_deltaSquared(delta*delta) {}
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 通过输入的两点来确定所在直线,采用法线向量的方式来表示,以兼容平行或垂直的情况
- * 其中n_x,n_y为归一化后,与原点构成的法线向量,a_x,a_y为直线上任意一点
- */
- void LineParamEstimator::estimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- parameters.clear();
- if(data.size()<2)
- return;
- double nx = data[1]->y - data[0]->y;
- double ny = data[0]->x - data[1]->x;// 原始直线的斜率为K,则法线的斜率为-1/k
- double norm = sqrt(nx*nx + ny*ny);
- parameters.push_back(nx/norm);
- parameters.push_back(ny/norm);
- parameters.push_back(data[0]->x);
- parameters.push_back(data[0]->y);
- }
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 使用最小二乘法,从输入点中拟合出确定直线模型的所需参量
- */
- void LineParamEstimator::leastSquaresEstimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- double meanX, meanY, nx, ny, norm;
- double covMat11, covMat12, covMat21, covMat22; // The entries of the symmetric covarinace matrix
- int i, dataSize = data.size();
- parameters.clear();
- if(data.size()<2)
- return;
- meanX = meanY = 0.0;
- covMat11 = covMat12 = covMat21 = covMat22 = 0;
- for(i=0; i<dataSize; i++) {
- meanX +=data[i]->x;
- meanY +=data[i]->y;
- covMat11 +=data[i]->x * data[i]->x;
- covMat12 +=data[i]->x * data[i]->y;
- covMat22 +=data[i]->y * data[i]->y;
- }
- meanX/=dataSize;
- meanY/=dataSize;
- covMat11 -= dataSize*meanX*meanX;
- covMat12 -= dataSize*meanX*meanY;
- covMat22 -= dataSize*meanY*meanY;
- covMat21 = covMat12;
- if(covMat11<1e-12) {
- nx = 1.0;
- ny = 0.0;
- }
- else { //lamda1 is the largest eigen-value of the covariance matrix
- //and is used to compute the eigne-vector corresponding to the smallest
- //eigenvalue, which isn't computed explicitly.
- double lamda1 = (covMat11 + covMat22 + sqrt((covMat11-covMat22)*(covMat11-covMat22) + 4*covMat12*covMat12)) / 2.0;
- nx = -covMat12;
- ny = lamda1 - covMat22;
- norm = sqrt(nx*nx + ny*ny);
- nx/=norm;
- ny/=norm;
- }
- parameters.push_back(nx);
- parameters.push_back(ny);
- parameters.push_back(meanX);
- parameters.push_back(meanY);
- }
- /*****************************************************************************/
- /*
- * Given the line parameters [n_x,n_y,a_x,a_y] check if
- * [n_x, n_y] dot [data.x-a_x, data.y-a_y] < m_delta
- * 通过与已知法线的点乘结果,确定待测点与已知直线的匹配程度;结果越小则越符合,为
- * 零则表明点在直线上
- */
- bool LineParamEstimator::agree(std::vector<double> ¶meters, Point2D &data)
- {
- double signedDistance = parameters[0]*(data.x-parameters[2]) + parameters[1]*(data.y-parameters[3]);
- return ((signedDistance*signedDistance) < m_deltaSquared);
- }
#include <math.h> #include "LineParamEstimator.h"LineParamEstimator::LineParamEstimator(double delta) : m_deltaSquared(delta*delta) {} /*****************************************************************************/ /** Compute the line parameters [n_x,n_y,a_x,a_y]* 通过输入的两点来确定所在直线,采用法线向量的方式来表示,以兼容平行或垂直的情况* 其中n_x,n_y为归一化后,与原点构成的法线向量,a_x,a_y为直线上任意一点*/ void LineParamEstimator::estimate(std::vector<Point2D *> &data, std::vector<double> ¶meters) {parameters.clear();if(data.size()<2)return;double nx = data[1]->y - data[0]->y;double ny = data[0]->x - data[1]->x;// 原始直线的斜率为K,则法线的斜率为-1/kdouble norm = sqrt(nx*nx + ny*ny);parameters.push_back(nx/norm);parameters.push_back(ny/norm);parameters.push_back(data[0]->x);parameters.push_back(data[0]->y); } /*****************************************************************************/ /** Compute the line parameters [n_x,n_y,a_x,a_y]* 使用最小二乘法,从输入点中拟合出确定直线模型的所需参量*/ void LineParamEstimator::leastSquaresEstimate(std::vector<Point2D *> &data, std::vector<double> ¶meters) {double meanX, meanY, nx, ny, norm;double covMat11, covMat12, covMat21, covMat22; // The entries of the symmetric covarinace matrixint i, dataSize = data.size();parameters.clear();if(data.size()<2)return;meanX = meanY = 0.0;covMat11 = covMat12 = covMat21 = covMat22 = 0;for(i=0; i<dataSize; i++) {meanX +=data[i]->x;meanY +=data[i]->y;covMat11 +=data[i]->x * data[i]->x;covMat12 +=data[i]->x * data[i]->y;covMat22 +=data[i]->y * data[i]->y;}meanX/=dataSize;meanY/=dataSize;covMat11 -= dataSize*meanX*meanX;covMat12 -= dataSize*meanX*meanY;covMat22 -= dataSize*meanY*meanY;covMat21 = covMat12;if(covMat11<1e-12) {nx = 1.0;ny = 0.0;}else { //lamda1 is the largest eigen-value of the covariance matrix //and is used to compute the eigne-vector corresponding to the smallest//eigenvalue, which isn't computed explicitly.double lamda1 = (covMat11 + covMat22 + sqrt((covMat11-covMat22)*(covMat11-covMat22) + 4*covMat12*covMat12)) / 2.0;nx = -covMat12;ny = lamda1 - covMat22;norm = sqrt(nx*nx + ny*ny);nx/=norm;ny/=norm;}parameters.push_back(nx);parameters.push_back(ny);parameters.push_back(meanX);parameters.push_back(meanY); } /*****************************************************************************/ /** Given the line parameters [n_x,n_y,a_x,a_y] check if* [n_x, n_y] dot [data.x-a_x, data.y-a_y] < m_delta* 通过与已知法线的点乘结果,确定待测点与已知直线的匹配程度;结果越小则越符合,为* 零则表明点在直线上*/ bool LineParamEstimator::agree(std::vector<double> ¶meters, Point2D &data) {double signedDistance = parameters[0]*(data.x-parameters[2]) + parameters[1]*(data.y-parameters[3]); return ((signedDistance*signedDistance) < m_deltaSquared); }
RANSAC寻找匹配的代码如下:
- /*****************************************************************************/
- template<class T, class S>
- double Ransac<T,S>::compute(std::vector<S> ¶meters,
- ParameterEsitmator<T,S> *paramEstimator ,
- std::vector<T> &data,
- int numForEstimate)
- {
- std::vector<T *> leastSquaresEstimateData;
- int numDataObjects = data.size();
- int numVotesForBest = -1;
- int *arr = new int[numForEstimate];// numForEstimate表示拟合模型所需要的最少点数,对本例的直线来说,该值为2
- short *curVotes = new short[numDataObjects]; //one if data[i] agrees with the current model, otherwise zero
- short *bestVotes = new short[numDataObjects]; //one if data[i] agrees with the best model, otherwise zero
- //there are less data objects than the minimum required for an exact fit
- if(numDataObjects < numForEstimate)
- return 0;
- // 计算所有可能的直线,寻找其中误差最小的解。对于100点的直线拟合来说,大约需要100*99*0.5=4950次运算,复杂度无疑是庞大的。一般采用随机选取子集的方式。
- computeAllChoices(paramEstimator,data,numForEstimate,
- bestVotes, curVotes, numVotesForBest, 0, data.size(), numForEstimate, 0, arr);
- //compute the least squares estimate using the largest sub set
- for(int j=0; j<numDataObjects; j++) {
- if(bestVotes[j])
- leastSquaresEstimateData.push_back(&(data[j]));
- }
- // 对局内点再次用最小二乘法拟合出模型
- paramEstimator->leastSquaresEstimate(leastSquaresEstimateData,parameters);
- delete [] arr;
- delete [] bestVotes;
- delete [] curVotes;
- return (double)leastSquaresEstimateData.size()/(double)numDataObjects;
- }
/*****************************************************************************/ template<class T, class S> double Ransac<T,S>::compute(std::vector<S> ¶meters, ParameterEsitmator<T,S> *paramEstimator , std::vector<T> &data, int numForEstimate) {std::vector<T *> leastSquaresEstimateData;int numDataObjects = data.size();int numVotesForBest = -1;int *arr = new int[numForEstimate];// numForEstimate表示拟合模型所需要的最少点数,对本例的直线来说,该值为2short *curVotes = new short[numDataObjects]; //one if data[i] agrees with the current model, otherwise zeroshort *bestVotes = new short[numDataObjects]; //one if data[i] agrees with the best model, otherwise zero//there are less data objects than the minimum required for an exact fitif(numDataObjects < numForEstimate) return 0;// 计算所有可能的直线,寻找其中误差最小的解。对于100点的直线拟合来说,大约需要100*99*0.5=4950次运算,复杂度无疑是庞大的。一般采用随机选取子集的方式。computeAllChoices(paramEstimator,data,numForEstimate,bestVotes, curVotes, numVotesForBest, 0, data.size(), numForEstimate, 0, arr);//compute the least squares estimate using the largest sub setfor(int j=0; j<numDataObjects; j++) {if(bestVotes[j])leastSquaresEstimateData.push_back(&(data[j]));}// 对局内点再次用最小二乘法拟合出模型paramEstimator->leastSquaresEstimate(leastSquaresEstimateData,parameters);delete [] arr;delete [] bestVotes;delete [] curVotes; return (double)leastSquaresEstimateData.size()/(double)numDataObjects; }
在模型确定以及最大迭代次数允许的情况下,RANSAC总是能找到最优解。经过我的实验,对于包含80%误差的数据集,RANSAC的效果远优于直接的最小二乘法。
RANSAC可以用于哪些场景呢?最著名的莫过于图片的拼接技术。优于镜头的限制,往往需要多张照片才能拍下那种巨幅的风景。在多幅图像合成时,事先会在待合成的图片中提取一些关键的特征点。计算机视觉的研究表明,不同视角下物体往往可以通过一个透视矩(3X3或2X2)阵的变换而得到。RANSAC被用于拟合这个模型的参数(矩阵各行列的值),由此便可识别出不同照片中的同一物体。可参考下图:
另外,RANSAC还可以用于图像搜索时的纠错与物体识别定位。下图中,有几条直线是SIFT匹配算法的误判,RANSAC有效地将其识别,并将正确的模型(书本)用线框标注出来:
- 大小: 23.1 KB
- 大小: 117.6 KB
- 大小: 1.7 MB
- 大小: 1.9 MB
- 大小: 1.9 MB
- 大小: 105.8 KB
- 查看图片附件
- 2011-03-14 12:53
- 浏览 64407
- 评论(0)
- 分类:编程语言
- 查看更多
相关资源推荐
- Python Crash Course
- Java数据结构与算法解析(一)——表
- 关注CSDN程序人生公众号,轻松获得下载积分
- 微信小程序 VS 原生App
- 操作系统OEM DIY工具
- 一小时学会搭建网站
- 迅捷全站功能模块
- P2P3.01局域网管理软件
- 聊天机器人2002
- Java编程语言.(第三版)——虞万荣 等译.pdf
- 高级 计算器 多功能 数学计算器 编程语言C#
- BrainF**k编程语言的解释器,调试器和编译器——CPBF 2.1.1
- 编程语言算法导论中文版
- C#编程语言详解
- C#编程语言详解
- C#编程语言详解 内容挺详细的
- C#编程语言详解.part2.rar
- C#编程语言详解
- C#编程语言详解以及经验总结
- C#编程语言详解
参考知识库
- 算法与数据结构知识库 18424 关注 | 2320 收录
评论
发表评论
您还没有登录,请您登录后再发表评论
我的数学之美(一)——RANSAC算法详解相关推荐
- 机器视觉:ransac算法详解
一.说明: 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. 随机样本一致性 (RANSAC) 是 ...
- python直线拟合_RANSAC算法详解(附Python拟合直线模型代码)
之前只是简单了解RANSAC模型,知道它是干什么的.然后今天有个课程设计的报告,上去讲了一下RANSAC,感觉这个东西也没那么复杂,所以今天就总结一些RASAC并用Python实现一下直线拟合. RA ...
- 数学建模——主成分分析算法详解Python代码
数学建模--主成分分析算法详解Python代码 import matplotlib.pyplot as plt #加载matplotlib用于数据的可视化 from sklearn.decomposi ...
- SF图像滤镜/美颜/美妆算法详解与实战
本专栏将结合本热多年相关经验,从传统算法到火热的AI算法,给大家详细讲解目前在PC图像软件.手机图像处理类应用app,以及视频直播等应用类型中,图像视频的滤镜特效,人像美颜美妆特效的算法理论,并结合具 ...
- 排序算法,最全的10大排序算法详解(Sort Algorithm)
文章目录 排序算法,最全的10大排序算法详解(Sort Algorithm) 排序算法分类 排序算法稳定性 时间复杂度(time complexity) 1#时间复杂度的意义 2#基本操作执行次数 如 ...
- AdBoost算法详解
AdBoost算法详解 1 算法简介 1.2AdaBoost特点 1.3Bagging与AdaBoost区别 2AdaBoost算法步骤 3 AdaBoost的数学定义 4 推广到多分类 算法引入: ...
- md5与des算法有何不同_Python算法详解:为什么说算法是程序的灵魂?
算法是程序的灵魂,只有掌握了算法,才能轻松地驾驭程序开发.软件开发工作不是按部就班,而是选择一种最合理的算法去实现项目功能.算法能够引导开发者在面对一个项目功能时用什么思路去实现,有了这个思路后,编程 ...
- html5 游戏 算法,JS/HTML5游戏常用算法之碰撞检测 包围盒检测算法详解【圆形情况】...
JS/HTML5游戏常用算法之碰撞检测 包围盒检测算法详解[圆形情况] 发布时间:2020-10-10 13:42:43 来源:脚本之家 阅读:95 作者:krapnik 本文实例讲述了JS/HTML ...
- 【面试】Raft算法详解
文章目录 前言 一.Raft算法概述 二.Leader选举 三.日志同步 四.安全性 五.日志压缩 六.成员变更 七.Raft与Multi-Paxos的异同 八.Raft算法总结 参考 前言 Paxo ...
- 离线强化学习(Offline RL)系列3: (算法篇) IQL(Implicit Q-learning)算法详解与实现
[更新记录] 论文信息:Ilya Kostrikov, Ashvin Nair, Sergey Levine: "Offline Reinforcement Learning with Im ...
最新文章
- UI Automation的两个成熟的框架(QTP 和Selenium)
- Android常见控件— — —EditText
- html5控制单片机,10.2 单片机中 PWM 的原理与控制程序
- python networkx包,使用Python中NetworkX包绘制深度神经网络结构图
- 《Java高级程序设计》期末作业【2】-进度安排
- mis dss gis_MIS中的决策支持系统(DSS)
- Atiitt 文档处理之道 attilax著
- python支持双向索引_python3 deque 双向队列创建与使用方法分析
- 国内知名的java商城系统排名
- 夏普计算机各键功能,夏普打印机按键说明
- BZOJ1189: [HNOI2007]紧急疏散evacuate(二分答案,最大流)
- 办公小技巧,批量修改文件名,手把手教你
- mygui初探(二)皮肤编辑器
- ceph-iscsi原理及部署
- wxpython问卷调查界面_7步教你搭建智能问卷调查系统
- 获取微信用户信息java开发_Java微信公众平台开发(十二)--微信用户信息的获取
- 软件危机表现,原因及解决方法
- 以太坊EVM动态数组越界导致OOM分析
- 交叉编译sysstat
- linux中zip文件编码错误,解决linux下zip文件解压乱码问题