基于提前停止方法的优化随机一致性采样算法

《基于提前停止方法的优化随机一致性采样算法》

关键字： 提前停止  一致性采样算法   图像处理   算法优化

摘要：

图像处理领域的随机一致性采样(RANSAC)算法，是经典的离散数据拟合方法。该采样算法在小规模数据的优势，迁移到大规模数据时，存在算法的时间有效性较差的问题。本文通过使用提前停止方法，用小规模数据的样本特征的阈值，在保证计算结果有效性的同时，优化一致性采样算法的执行时间。该优化算法在图像预处理的应用场景，对比经典算法的处理效率有一些性能提高。

Keyword:

early stop / consistency sampling algorithm / image processing / algorithm optimization

Abstract:

The consistent sampling (RANSAC) algorithm in image processing is a classical discrete data fitting method. This algorithm has the advantage of sampling small-scale data. When migrating to large-scale data, the time effectiveness of the algorithm is poor. In this paper, we use the early stop method and the threshold value of the sample characteristics of small-scale data. We optimize the execution time of the consistent sampling algorithm while ensuring the validity of the calculation results. In the application of image preprocessing, the optimization algorithm has some performance improvement compared with the classical algorithm.

1.概述

离散数据的采样算法，是提取样本信息有效特征的基础。采样算法的假设模型，将全部数据的归于样本内点，预先设定一个经验阈值，通过反复运行筛选出样本外点。部分模型修改参数做相反的操作，得到一样的样本特征结果。随机一致性采样算法，在计算内点和外点的模型中，尤其是复杂环境的噪声中，错误率是很好的一种算法。

采样算法的时间复杂度，一直是重要的指标。实际应用场景中，采样算法的时间复杂度和迭代次数是正相关的关系。优化采样算法的时间复杂度，就要减小迭代次数。但是迭代次数的无预期减小，会造成样本数据的欠拟合，很难从中提取有效的特征。即使提取样本的有效特征，特征结果存在难以接受的精度误差。

概率分布的角度分析分析，重复采样在每次迭代的时候，如果一组有100个数据，那么80个点作为内点，20个点作为外点。80个内点的概率分布是采样算法的概率无关。正确的假设模型基于采样算法，因此正确的假设模型也是概率无关的。假设模型处理80个内点，只需要将每个点看成随机的点，不用考虑内点比例问题。一般把初始内点比例设置0。这就是经典的随机一致性采样算法(RANSAC)。

很明显，随机一致性采样算法均匀的从整个样本采样，平均分配计算时间。因此存在假设模型的评价是时间正相关。机器学习的数据集训练中，处理过拟合现象使用优化函数，处理欠拟合现象使用小批量样本和提前停止方法。解决随机一致性采样的问题，我们用机器学习的提前停止方法，在不损失样本精度和结果有效性的前提下，优化采样算法的执行时间。因此我们提出基于提前停止方法的优化算法。

相对于随机一致性采样算法的预置阈值，但是在样本数据急剧增加时，会出现局部最优解的问题。本文的优化算法使用机器学习的提前停止，不依赖准确性做到正确匹配，很好的避开局部离群点的特征，是非阈值参数的松弛算法。相较一致性采样算法的变种: 最大最小值样本估计算法(MLESAC) 、先验概率随机一致性采样算法(P-RANSAC)，无法匹配最小误差，则无法使用本文的这种优化策略。

1. 提前停止方法