1.算法描述

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也做了以下假设：给定一组（通常很小的）局内点，存在一个可以估计模型参数的过程；而该模型能够解释或者适用于局内点。

通俗来说就是用RANSAC算法处理一批含有噪音的点，如一批数据有M个点，其中Q个点是有噪音的，即局外点。每一个点我们都可以用(x,y)来表示。

1.首先我们会根据数据提出一个模型来拟合局内点。如f(x) = 0或f(x) = y,这个假设模型的参数需要我们后续求取。由于Q个点是局外点，并不影响我们的模型参数，因此只要剩下M-Q个点满足f(x) < ε，就认为假设的模型是合理的，其中ε是我们设定的阈值，可以理解为误差。

2.此处假设f(x)为一个线性模型，即y = ax + b。由于线性模型是一条直线，只需根据两点即可确定。我们在M个点中随机取出两个点，求出a和b，即可得到一个假设线性模型。

3.对于剩下M-2个点，依次代入我们假设的模型中，计算假设模型的y值与真实y值之间的距离，如果距离小于ε，则我们认为该点为内点，即|ax +b - y| < ε。若内点很少，则返回第二步，重新采点，生成新的假设模型进行计算。此处有两种方案，第一种是迭代足够多的次数，记录内点的数量，迭代完成后内点最多的模型即为最终我们想要的模型。第二种是设定一个阈值，如我们有500个点，如果内点个数为400，就认为当前模型可以拟合足够多的内点，跳出循环。

说句实话，清爽的八得了。

2.代码实现

下面就用实现一个线性回归的RANSAC算法代码。

import numpy as np
from matplotlib import pyplot as plt
import random#生成数据集
SIZE = 50
OUT = 20
X = np.linspace(0, 10, 50)
Y = [3 * i + 10 + 2 * random.random() for i in X[:-OUT]] + [random.randint(0, int(i)) for i in X[-OUT:]]
X_data = np.array(X)
Y_data = np.array(Y)

用matplotlib可视化出来，数据看起来是这样的。

很明显，左上角为内点，右下角为外点，即噪音。

# 选点、评估iters = 1000
epsilon = 5
threshold = 0.8
best_a, best_b = 0, 0
pre_total = 0
for i in range(iters):sample_index = random.sample(range(SIZE), 2)x_1 = X_data[sample_index[0]]x_2 = X_data[sample_index[1]]y_1 = Y_data[sample_index[0]]y_2 = Y_data[sample_index[1]]a = (y_2 - y_1) / (x_2 - x_1)b = y_1 - a * x_1total_in = 0  #内点计数器for index in range(SIZE):y_estimate = a * X_data[index] + bif abs(y_estimate - Y_data[index]) < epsilon: #符合内点条件total_in += 1if total_in > pre_total:  #记录最大内点数与对应的参数pre_total = total_inbest_a = abest_b = bif total_in > SIZE * threshold: #内点数大于设定的阈值，跳出循环breakprint("迭代{}次,a = {}, b = {}".format(i, best_a, best_b))

也可以通过plt可视化一下

    x_line = np.linspace(0, 10, 1000)y_line = best_a * x_line + bplt.plot(x_line, y_line, c = 'r')plt.scatter(X_data, Y_data)plt.show()

最终拟合结果如下：

RANSAC算法详解+Python实现相关推荐

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 ...
基于多相滤波器的数字信道化算法详解(Python, Verilog代码已开源)
基于多相滤波器的数字信道化算法详解推导过程总结仿真本文详细介绍了基于多相滤波器的数字信道化算法的推导过程, 如果您在阅读的过程中发现算法推导过程中有任何错误, 请不吝指出. 此外, 进入我的G ...
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 ...
非极大值抑制(nms)算法详解[python]
一.起源目标检测在使用了基于深度学习的端到端模型后效果斐然.目前,常用的目标检测算法,无论是One-stage的SSD系列算法.YOLO系列算法还是Two-stage的基于RCNN系列的算法,非极大 ...
PatchMatch算法详解(python代码实现)
一.简介 patchmatch算法的核心目的是在两张图片之间快速寻找对应的小区域.在应用上,patchmatch算法可以结合图像重组等技术,来实现诸如图像修复.图片融合.去水印等功能. patch是指 ...
FCM聚类算法详解(Python实现iris数据集)
参考:https://blog.csdn.net/on2way/article/details/47087201 模糊C均值(Fuzzy C-means)算法简称FCM算法,是一种基于目标函数的模糊聚 ...
一文速学数模-聚类模型(一)K-means聚类算法详解+Python代码实例
目录前言一.聚类分析二.K-means原理 1.距离度量算法欧几里得距离(欧氏距离)
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 ...
AdaBoost算法详解与python实现
AdaBoost算法详解与python实现 https://tangshusen.me/2018/11/18/adaboost/
【机器学习】【隐马尔可夫模型-3】后向算法：算法详解+示例讲解+Python实现
0.前排提示 csdn有些数学公式编辑不出来,所以本博用容易书写的表达式来表示专业数学公式,如: (1) 在本博客中用α<T>(i)来表示 (2)在本博客中用[i=1, N]∑来表示注 ...

RANSAC算法详解+Python实现

1.算法描述

2.代码实现

RANSAC算法详解+Python实现相关推荐

最新文章

热门文章