今天學(xué)習(xí)了一下RANSAC隨機樣本一致性算法，其在圖像融合、特征點匹配方面有很強大的應(yīng)用。網(wǎng)上已經(jīng)有很多人寫了關(guān)于這方面的文檔，就不再造輪子了。特此羅列出來，以供后續(xù)參考。

• 我的數(shù)學(xué)之美（一）——RANSAC算法詳解
  這篇文章很基本地講述了RANSAC算法的基本概念。

• RANSAC算法原理與源碼解析
  本篇文章講述了在opencv特征點匹配過程中ransac算法濾除誤匹配的詳細思路。其中講到：

  OpenCV中濾除誤匹配對采用RANSAC算法尋找一個最佳單應(yīng)性矩陣H，矩陣大小為3×3。RANSAC目的是找到最優(yōu)的參數(shù)矩陣使得滿足該矩陣的數(shù)據(jù)點個數(shù)最多，通常令h33=1來歸一化矩陣。由于單應(yīng)性矩陣有8個未知參數(shù)，至少需要8個線性方程求解，對應(yīng)到點位置信息上，一組點對可以列出兩個方程，則至少包含4組匹配點對。
  

  
  
  

  RANSAC算法從匹配數(shù)據(jù)集中隨機抽出4個樣本并保證這4個樣本之間不共線，計算出單應(yīng)性矩陣，然后利用這個模型測試所有數(shù)據(jù)，并計算滿足這個模型數(shù)據(jù)點的個數(shù)與投影誤差(即代價函數(shù))，若此模型為最優(yōu)模型，則對應(yīng)的代價函數(shù)最小。
  

  
  
  
  注意兩點：

• 目標圖像也就是測試圖像或者稱為query set（查詢集），場景圖像稱為train set （訓(xùn)練集） ，對應(yīng)模板圖像。一般我們都是在訓(xùn)練圖像中，查詢測試圖像的特征點的匹配情況。
• 關(guān)于上面投影矩陣參數(shù)的求解問題。
  一組點對（兩個點）代入上面方程，則可以分解出三個方程，但實際上就是兩個方程，最后一個方程是縮放參數(shù)s，可以消掉。至于s的存在主要是齊次化的結(jié)果。

• 學(xué)習(xí)OpenCV——KeyPoint Matching 優(yōu)化方式

• 學(xué)習(xí)OpenCV——通過KeyPoints進行目標定位
  介紹了sift,surf,orb描述子的一些對比，以及匹配的一些優(yōu)化方法。

總結(jié)

以上是生活随笔為你收集整理的RANSAC算法注记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。