圆检测（续）- RANSAC

最新推荐文章于 2025-06-11 11:18:27 发布
最新推荐文章于 2025-06-11 11:18:27 发布
阅读量1.1w 收藏 46
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/purgle/article/details/51995250
本文介绍了RANSAC（随机抽样一致性）算法在圆检测中的应用，对比了RANSAC与霍夫变换在鲁棒性和速度上的优缺点。RANSAC通过随机抽样寻找最佳模型，能更好地处理含有大量噪声数据的情况。文章提供了实际例子，展示如何使用RANSAC检测圆，并指出在outliers比例小于50%时，得到的模型更具保证。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

继之前提到的两种方法之后，这里再列出基于RANSAC的圆检测，RANSAC(Random Sample Consensus)随机抽样一致性，略不同于霍夫圆变换那种基于投票的策略，这是一种对观测数据进行最大化模型检验的方法。下面来简单介绍一下它的原理：
1、原理
最小二乘法通常用在线性拟合参数中，但一旦最小二乘法输入的观测数据中包含有大量分散的干扰点时，它拟合出来的效果可能并不好，如可能会出现这样的情况：
least-squares-fit
可以看到，拟合出来的直线与期望有效点之间的重合率不高，也就代表着它的代价函数 Cost(m,b)=∑ni=1|yi−(mxi

最低0.47元/天 解锁文章

200万优质内容无限畅学
目标检测YOLO实战应用案例100讲-基于无人机的运动目标检测（续）
qq_36130719的博客
11-15 365
为了验证算法有效性，在HPatches、TUM、和VIRAT数据集上对改进的检 测器、原始的SuperPoint检测器及传统检测器进行特征点检测与特征点匹配的 消融实验对比。Synthetic Shapes数据集是MagicLeap研究人员在现有的OpenCV函数基础 上设计的，由简单的几何形状构成，如三角形、四边形、星星、直线、棋盘、 三维立方体、椭圆等，作者采用数据增强技术，对每张图像进行了随机缩放和 旋转，加入随机高斯噪声、运动模糊、亮度变化等，提高网络对光照、视角变 化的鲁棒性。
目标检测YOLO实战应用案例100讲-基于多线激光雷达的无人驾驶汽车三维目标检测技术研究（续）
qq_36130719的博客
09-04 291
尽量贴合实际目标点云；(2) 对于存在部分遮挡的点云目标，应根据汽车，骑行者、行人的实际尺寸进行估 计，合理补充拉框，大致画出符合真实情况的三维边界框作为真值；(3) 两个三维边界框不能出现嵌套现象；(4) 对距离过远(40m)或点云数量少的目标不予标注。标注结果如图4.7所示，其中，红色表示汽车，绿色表示行人，紫色表示骑行者。
shape-detection:圆检测的 RANSAC 算法的实现，为模式识别课程编写
06-28
用于圆检测的 RANSAC 算法的实现，为模式识别课程编写。 原任务描述： 用 C、C++、C#、Java 或 Java 脚本编写一个程序，执行以下操作。 将 Small 的图 1.5 和 1.6 的配置转换为二维点集。 使用 RANSAC 检测圆圈（参见幻灯片，以及 ） 在这些圆的 RANSAC“支持集”中，确定一个覆盖环，或者更好的是，计算点集的实际最小宽度环（通过（最远的）Voronoi 图）。 计算覆盖概率 Q(n)、环带的预期数量 E(N) 和环带的厚度。 根据以上标准，找出几个最强的圆形配置。
RANSAC算法的理解---直线检测和圆检测的小例子
hpu_lx
04-02 2385
算法流程： 代码稍后贴上：
深入理解RANSAC算法及其应用
最新发布
weixin_32252929的博客
06-11 841
RANSAC（Random Sample Consensus）算法是一种用于模型拟合的鲁棒性方法，主要用于估计参数，当数据受到异常值或噪声干扰时，仍能够给出准确的结果。它通过不断迭代，随机选取数据样本点，然后进行模型拟合，并评估模型与数据的一致性。RANSAC算法的核心是利用最小数量的数据子集来找到可靠模型的最佳估计，即使在大数据集中的错误率很高的情况下也能进行有效的数据拟合。
图像处理之霍夫变换圆检测算法
xidajiancun
12-10 1548
图像处理之霍夫变换圆检测算法 之前写过一篇文章讲述霍夫变换原理与利用霍夫变换检测直线, 结果发现访问量还是蛮 多,有点超出我的意料,很多人都留言说代码写得不好,没有注释,结构也不是很清晰,所以 我萌发了再写一篇,介绍霍夫变换圆检测算法,同时也尽量的加上详细的注释,介绍代码 结构.让更多的人能够读懂与理解. 一:霍夫变换检测圆的数学原理 根据极坐标,圆上任意一点的坐标可以表示为如...
识别圆的强化RANSAC算法
qq_29207457的博客
07-18 2303
# 识别圆的强化RANSAC算法 ## 什么是RANSAC算法？ ​ **随机抽样一致算法（RANdom SAmple Consensus,RANSAC）**，是一种采用迭代的方式从一组包含噪音的数据中找到想要的数学模型。这个算法的使用前提是给定一组数据，存在一种方法能计算出符合这些数据的模型的参数。RANSAC算法把数据分为了两类，正确数据（内点）和异常数据（噪声），并通过一个参数sigma来将数据中的点分类。**该算法的核心思想在于其随机性和假设性**，随机性指的是抽象选取数据是随机的，根据...
基于ransac实现圆拟合
weixin_43632469的博客
10-15 1533
RANSAC（随机抽样一致性算法）是一种强大的算法，常用于从包含噪声和离群点的数据中估计模型参数。在圆拟合的应用中，RANSAC可以有效地从一组点中识别出符合圆形模型的内点，并排除外点。
点云从入门到精通技术详解100篇-基于改进的三维点云实例分割的地铁隧道结构检测（续）
getusushu的博客
01-08 1868
在 3D-BoNet 中由于 3D 点云本身包含了每个物体的几何信息，在输入点云数据。二是相比较基于候选目标框，分割框架—3D-BoNet，它可以实现对三维点云目标物的实例分割，同时为进一步检。3D-BoNet 的实现思想较为好理解，整个框架分为两个步骤，一是把点云数据进。在 3D-BoNet 的损失函数部分，首先针对边界框预测坐标，把上述三个标准的损。度，抑制没有匹配上的边界框置信度，在分割部分，使用语义分割领域的损失函数；从公式 3-(2)可以看出，在整个多层感知机中，后一层的输入就是前一层的输。
点云从入门到精通技术详解100篇-基于改进 Mask R-CNN 的地铁隧道点云图像渗水检测（续）
getusushu的博客
10-15 223
采用的方法为 SAMPLE_LOCAL_PLANE，该方法中又有两个函数分别用于按照设置的半。是，本文旨在识别图像中的渗水，VOXEL_GRID_DILATION 主要作用是填充空洞并且。(Upsampling)是一种表面重建的方法，通过按设定参数对当前可用的点云数据进行。个 3D 滑动窗口用来遍历整个空间，从而对空间中的点数求和，得到的值为该点的密。然后把该点附近的值都改成这个值，从而形成一个稠密图，到目前为止获得的。但是它会使得稀疏点云的密度增加，从而使得整个点云的密度均匀，因此对于本研。
RANSAC算法+RANSAC在指纹识别的应用+Fitting(The Hough Transform)+圆的霍夫变换
weixin_37684437的博客
08-17 482
实际上做完RANSAC后 还要进行LS RANSAC在指纹识别的应用(分别代表:指纹分差，拐弯，结尾) 随机找三个对应点，计算矩阵T:abcdef，再用T计算所有点，看对应成功的点有多少个(设置门限)，进行投票 Fitting(The Hough Transform) 霍夫变换的思想：投票策略 遇到的问题：用极坐标系 ...
OpenCV 找圆算法（(HoughCircles)总结与优化代码
01-12
Opencv内部提供了一个基于Hough变换理论的找圆算法，HoughCircle与一般的拟合圆算法比起来，各有优势：优势：HoughCircle对噪声点不怎么敏感，并且可以在同一个图中找出多个圆；反观拟合圆算法，单纯的拟合结果容易受噪声点的影响，且不支持一个输入中找多个圆。 因此通过优化排序方法提高其精度。
ransac_circle.py
12-02
RANSAC 圆拟合 Python代码。RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。
RANSAC直线拟合python代码
03-30
SciPy Cookbook中的RANSAC样例，简单易懂，直观理解RANSAC拟合直线的过程。1. 选取部分数据点 2. 最小二乘法拟合直线 3. 判定inliners 4. 终止条件
简单的matlab实现的ransac平面拟合程序
08-26
简单的matlab实现的ransac平面拟合程序
OpenCv霍夫变换与RANSAC检测圆形
phymat.nico的专栏
12-22 975
https://blog.youkuaiyun.com/sinat_34156619/article/details/79574505 https://www.cnblogs.com/ssyfj/p/9275977.html https://blog.youkuaiyun.com/purgle/article/details/51925180 https://blog.youkuaiyun.com/purgle/article/details/51995250
opencv使用霍夫圆算法HoughCircles进行圆检测
DayDayUp
12-23 5643
@brief Finds circles in a grayscale image using the Hough transform. The function finds circles in a grayscale image using a modification of the Hough transform. Example: : @include snippets/imgproc_HoughLinesCircles.cpp @note Usually the function...
圆检测
qq_42444944的博客
08-04 487
import cv2 as cv import numpy as np def jiance_yuan(image): dst = cv.pyrMeanShiftFiltering(image,10,100) cimge = cv.cvtColor(dst,cv.COLOR_BGR2GRAY)#转换成灰度图像 cv.imshow("sdad",cimge) cir...
OpenCV---圆检测
zhuyong006的博客
02-18 4991
OpenCV—圆检测  推文：Opencv2.4.9源码分析——HoughCircles    霍夫圆检测 加载一幅图像并对其模糊化以降噪 对模糊化后的图像执行霍夫圆变换 . 在窗体中显示检测到的圆. def detect_circle_demo(image): # dst = cv.bilateralFilter(image, 0, ...
PnP-RANSAC
01-13
### PnP-RANSAC算法的实现和应用 #### 实现原理 PnP-RANSAC (Perspective-n-Point Random Sample Consensus) 是一种用于解决视觉里程计中的姿态估计问题的方法。该方法通过随机采样一致性来筛选出最可能正确的匹配点集，从而提高姿态估计的鲁棒性和准确性。 RANSAC 算法能够有效地处理数据中存在的异常值，在给定一组观测到的2D图像点及其对应的3D世界坐标的情况下，PnP 问题旨在找到相机的姿态参数（旋转和平移）。为了使这个过程更加稳健，通常会先利用 RANSAC 来排除错误匹配[^1]。 具体来说，对于每一轮迭代： - 随机选取最小数量的对应关系作为样本； - 使用这些样本计算初始假设的姿态解； - 测试其余所有点对当前假设的支持度，并统计内点数目； - 记录具有最多支持者的最优模型。 经过多轮这样的操作之后，最终得到的就是一个相对可靠的相机位姿估计结果。 #### 应用实例 在计算机视觉领域，PnP-RANSAC 广泛应用于机器人导航、增强现实等领域。例如，在基于单目摄像头构建的地图环境中，当已知某些特征点的世界位置时，可以采用此技术实时更新机器人的当前位置与方向[^4]。 此外，这种方法也被用来改进三维重建的质量——通过对不同视角下的同一物体进行多次观察并融合其几何信息，可以获得更精确完整的场景表示形式[^3]。 ```python import cv2 import numpy as np def pnp_ransac(kp_2d, kp_3d, camera_matrix): """ Perform PnP-RANSAC to estimate pose. :param kp_2d: List of 2D keypoints in image coordinates :param kp_3d: Corresponding list of 3D world points :param camera_matrix: Camera intrinsic matrix Returns: rvec: Rotation vector tvec: Translation vector """ success, rotation_vector, translation_vector = cv2.solvePnPRansac( objectPoints=np.array([kp_3d]), imagePoints=np.array([kp_2d]), cameraMatrix=camera_matrix, distCoeffs=None) if not success: raise ValueError('Failed to solve PnP problem') return rotation_vector.squeeze(), translation_vector.squeeze() ```
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值