RANSAC是一种用于从含有噪声数据中估计数学模型参数的迭代方法，尤其适用于去除离群点。该算法随机选取数据点作为内群，计算模型并判断其他点是否符合，通过多次迭代找到最佳模型。确定k和n的值需要权衡成功率和计算量。RANSAC的优点是能处理大量局外点，缺点包括需要已知模型、只能估计单一模型且存在概率不确定性。
RANSAC实际上是一种基于迭代的思想，用来在含有离群的被观测数据中估算出数学模型的参数。如下图，有一系列数据点，现在要拟合一条直线来逼近下列数据，如果直接使用最小二乘法，会得到下图中红色那条直线，因为它会尽可能地去拟合所有的数据点，包括噪声。但很显然，这并不科学。如何让模型不去学习那些噪声，就是RANSAC要解决的问题。
RANSAC的步骤：
- 在数据中随机选n个点设定为内群
- 计算适合内群的模型
- 把其他刚才没选到的点代入模型，根据给定的阈值判断其是不是内群
- 记下内群的数量
- 重复以上步骤k次
- 比较哪次记下的内群数量多，内群数量最多的那次建立的模型就是我们要求的解
注：不同问题对应的数学模型不同，因此计算模型参数的方法也不同。当然，RANSAC的作用不在于计算模型参数，而是为模型提供更好的输入数据。
那么问题来了：k和n的值取多少合适？下面通过数学论证：
每个点是真正内群的概率为： w = 内 群 数 目 内 群 数 目 + 外 群 数 目 w=\frac{内群数目}{内群数目+外群数目} w=
最低0.47元/天 解锁文章
扫一扫
4643
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
