RANSAC介绍(Matlab版直线拟合+平面拟合)
本人邮箱:sylvester0510@163.com,欢迎交流讨论,
欢迎转载,转载请注明网址http://blog.csdn.net/u010128736/
一、RANSAC介绍 ?? 随机抽样一致算法(RANdom SAmple Consensus,RANSAC),采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。维基百科中的RANSAC该算法最早由Fischler和Bolles于1981年提出。RANSAC算法假设数据中包含正确数据和异常数据(或称为噪声)。正确数据记为内点(inliers),异常数据记为外点(outliers)。同时RANSAC也假设,给定一组正确的数据,存在可以计算出符合这些数据的模型参数的方法。该算法核心思想就是随机性和假设性,随机性是根据正确数据出现概率去随机选取抽样数据,根据大数定律,随机性模拟可以近似得到正确结果。假设性是假设选取出的抽样数据都是正确数据,然后用这些正确数据通过问题满足的模型,去计算其他点,然后对这次结果进行一个评分。
??RANSAC算法被广泛应用在计算机视觉领域和数学领域,例如直线拟合、平面拟合、计算图像或点云间的变换矩阵、计算基础矩阵等方面,使用的非常多。本文将在对RANSAC介绍完后,附两段直线拟合以及平面拟合的matlab代码。关于计算机视觉中基于RANSAC框架的矩阵求解问题,在OpenCV中都有对应的函数接口,如果以后有机会再把这个整理出来。
二、算法基本思想 ??如下图所示,存在很多离散的点,而我们认为这些点构成了一条直线。当然,人眼能很清晰地拟合出这条直线,找到外点。但要让计算机找到这条直线,在很久之前是很难的,RACSAC的出现是通过数学之美解决这一难题的重要发明。
文章图片
通过实例对算法基本思想进行描述:
(1)首先,我们知道要得到一个直线模型,我们需要两个点唯一确定一个直线方程。所以第一步我们随机选择两个点。
(2)通过这两个点,我们可以计算出这两个点所表示的模型方程y=ax+b。
(3)我们将所有的数据点套到这个模型中计算误差。
(4)我们找到所有满足误差阈值的点,第4幅图中可以看到,只有很少的点支持这个模型。
(5)然后我们再重复(1)~(4)这个过程,直到达到一定迭代次数后,我们选出那个被支持的最多的模型,作为问题的解。如下图所示:
文章图片
以上是对RANSAC算法的基本思想的介绍,我们可以发现,虽然这个数据集中外点和内点的比例几乎相等,但是RANSAC算法还是能找到最合适的解。试想一下,这个问题如果使用最小二乘法进行优化,由于噪声数据的干扰,我们得到的结果肯定是一个错误的结果,如下图所示。这是由于最小二乘法是一个将外点参与讨论的代价优化问题,而RANSAC是一个使用内点进行优化的问题。经实验验证,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。
文章图片
三、RANSAC的数学推导 【ransac算法】??我们假设内点在整个数据集中的概率为t,即:
t=ninliersninliers+noutlierst=ninliersninliers+noutliers
四、利用RANSAC拟合直线
clc; clear all; close all; %%%二维直线拟合 %%%生成随机数据 %内点 mu=[0 0]; %均值 S=[1 2.5; 2.5 8]; %协方差 data1=mvnrnd(mu,S,200); %产生200个高斯分布数据 %外点 mu=[2 2]; S=[8 0; 0 8]; data2=mvnrnd(mu,S,100); %产生100个噪声数据 %合并数据 data=https://www.it610.com/article/[data1',data2']; iter = 100; %%% 绘制数据点 figure; plot(data(1,:),data(2,:),'o'); hold on; % 显示数据点 number = size(data,2); % 总点数 bestParameter1=0; bestParameter2=0; % 最佳匹配的参数 sigma = 1; pretotal=0; %符合拟合模型的数据的个数 for i=1:iter %%% 随机选择两个点 idx = randperm(number,2); sample = data(:,idx); %%%拟合直线方程 y=kx+b line = zeros(1,3); x = sample(:, 1); y = sample(:, 2); k=(y(1)-y(2))/(x(1)-x(2)); %直线斜率 b = y(1) - k*x(1); line = [k -1 b]mask=abs(line*[data; ones(1,size(data,2))]); %求每个数据到拟合直线的距离 total=sum(maskif total>pretotal%找到符合拟合直线数据最多的拟合直线 pretotal=total; bestline=line; %找到最好的拟合直线 end end %显示符合最佳拟合的数据 mask=abs(bestline*[data; ones(1,size(data,2))])1; for i=1:length(mask) if mask(i) inliers(1,k) = data(1,i); k=k+1; plot(data(1,i),data(2,i),'+'); end end %%% 绘制最佳匹配曲线 bestParameter1 = -bestline(1)/bestline(2); bestParameter2 = -bestline(3)/bestline(2); xAxis = min(inliers(1,:)):max(inliers(1,:)); yAxis = bestParameter1*xAxis + bestParameter2; plot(xAxis,yAxis,'r-','LineWidth',2); title(['bestLine:y =',num2str(bestParameter1),'x + ',num2str(bestParameter2)]);
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
结果如图所示:
文章图片
五、利用RANSAC拟合平面
clc; clear all; close all; %%%三维平面拟合 %%%生成随机数据 %内点 mu=[0 0 0]; %均值 S=[2 0 4; 0 4 0; 4 0 8]; %协方差 data1=mvnrnd(mu,S,300); %产生200个高斯分布数据 %外点 mu=[2 2 2]; S=[8 1 4; 1 8 2; 4 2 8]; %协方差 data2=mvnrnd(mu,S,100); %产生100个噪声数据 %合并数据 data=https://www.it610.com/article/[data1',data2']; iter = 1000; %%% 绘制数据点 figure; plot3(data(1,:),data(2,:),data(3,:),'o'); hold on; % 显示数据点 number = size(data,2); % 总点数 bestParameter1=0; bestParameter2=0; bestParameter3=0; % 最佳匹配的参数 sigma = 1; pretotal=0; %符合拟合模型的数据的个数for i=1:iter %%% 随机选择三个点 idx = randperm(number,3); sample = data(:,idx); %%%拟合直线方程 z=ax+by+c plane = zeros(1,3); x = sample(:, 1); y = sample(:, 2); z = sample(:, 3); a = ((z(1)-z(2))*(y(1)-y(3)) - (z(1)-z(3))*(y(1)-y(2)))/((x(1)-x(2))*(y(1)-y(3)) - (x(1)-x(3))*(y(1)-y(2))); b = ((z(1) - z(3)) - a * (x(1) - x(3)))/(y(1)-y(3)); c = z(1) - a * x(1) - b * y(1); plane = [a b -1 c]mask=abs(plane*[data; ones(1,size(data,2))]); %求每个数据到拟合平面的距离 total=sum(maskif total>pretotal%找到符合拟合平面数据最多的拟合平面 pretotal=total; bestplane=plane; %找到最好的拟合平面 end end %显示符合最佳拟合的数据 mask=abs(bestplane*[data; ones(1,size(data,2))])1; for i=1:length(mask) if mask(i) inliers(1,k) = data(1,i); inliers(2,k) = data(2,i); plot3(data(1,i),data(2,i),data(3,i),'r+'); k = k+1; end end %%% 绘制最佳匹配平面 bestParameter1 = bestplane(1); bestParameter2 = bestplane(2); bestParameter3 = bestplane(4); xAxis = min(inliers(1,:)):max(inliers(1,:)); yAxis = min(inliers(2,:)):max(inliers(2,:)); [x,y] = meshgrid(xAxis, yAxis); z = bestParameter1 * x + bestParameter2 * y + bestParameter3; surf(x, y, z); title(['bestPlane:z =',num2str(bestParameter1),'x + ',num2str(bestParameter2),'y + ',num2str(bestParameter3)]);
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
结果如图所示:
文章图片
文章图片
推荐阅读
- MATLAB|数字图像处理(实验三 图像增强)
- matlab|图像处理压缩Huffman编码方法实现
- 数据可视化|小波变换进行图像变换Matlab实现
- 数据可视化|离散余弦变换进行图像变换Matlab实现
- matlab|FPGA实现sobel边缘检测并Modelsim仿真,与MATLAB实现效果对比
- fpga开发|FPGA高斯滤波实现并Modelsim仿真,与MATLAB高斯滤波进行对比
- Python图像处理|Python图像处理1(导入图像)
- python 包之 Pillow 图像处理教程
- 医学图像处理|医学图像处理入门知识 | 格式DICOM,MHD+RAW | 坐标系 | ITK-SNAP | 重采样