轉自：http://blog.csdn.net/zhanglei8893/archive/2010/01/23/5249470.aspx

?

?RANSAC 是"RANdom SAmple Consensus"的縮寫。該算法是用于從一組觀測數據中估計數學模型參數的迭代方法，由Fischler and Bolles在1981 提出，它是一種非確定性算法，因為它只能以一定的概率得到合理的結果，隨著迭代次數的增加，這種概率是增加的。 該算法的基本假設是觀測數據集中存在"inliers"（那些對模型參數估計起到支持作用的點）和"outliers"（不符合模型的點），并且這組觀測數據受到噪聲影響。RANSAC 假設給定一組"inliers"數據就能夠得到最優的符合這組點的模型。

????? RANSAC 算法需要給定一些參數：
1）fit 一個模型所需的最少樣本點數n；
2）最大迭代次數k；
3）確定某個點是否靠近模型的閾值t；
4）確定某個模型是好模型需要的符合該模型的最少樣本點數。?

???? 這些參數對RANSAC 算法的結果影響很大。

???? Ransac算法直線參數估計仿真
1） 數據輸入，為了方便觀察，程序采用二值圖的方式輸入，其中黑點代表數據。輸出時采用綠點表示“inlineres”
????? 紅點表示“outliners”
2） 初始化參數參數n，k，d，t。其中直線估計時n=2,另外我們初始化最小樣本數的比例k/N，其中N為總的樣本數。
3） 程序按照RANSAC 算法運行，在結果圖中將最終選擇的模型里，距離該模型小于閾值
4） 隨機選擇兩個點，確定一條直線，計算其他點到這條直線的距離，若小于閾值，則將其加入到“inlineres”中。
5） 若“inlineres”的數量大于符合該模型的最少樣本點數，則利用總體最小二乘重新估計出一條直線，計算誤差。若當前誤差小于

????? 最優誤差，則修改最優誤差為當前誤差。
6） 迭代進行，直至完成。

????

結果如下

?????