最小二乘法和随机抽样一致性
来源:互联网 发布:php做游戏后端 编辑:程序博客网 时间:2024/05/16 07:55
1. 原理
- 最小二乘法(leastSquares)的原理1
leastSquares通过最小化测量数据与模型数据的平方和, 求出模型参数。
- 随机抽样一致性(ransac)的原理2
ransac的线性拟合算法步骤大致如下:
while 最大尝试次数 从观测点集中随机取两点, 计算出直线的参数k, t(或者k用向量表示), 得出一个候选的直线模型. 计算候选直线与整个点集的匹配程度,可以采用统计在直线上(或到直线的距离小于一个阈值)的点的个数. 保留匹配程度最好的直线的参数. 如果本次尝试匹配点的个数占整个点集大部分, 超出预期(阈值), 提前结束尝试.endwhile
匹配程度也可以用其他指标来衡量, 替换上面的匹配计算.
两者的共同点都是要首先确定模型, 模型分为线性模型与非线性模型. 一般常见的应用是线性模型, 如
2. 误差/性能分析
leastSquares的误差为
e , 但一般用相关系数r 来表示,r 越接近1, 模型越好;r 等于0, 拟合无意义, 模型不实际情况不符合.ransac的误差一般用在拟合直线的一个范围内, 在此范围内点的个数占整个点集比例来衡量.
3. 差别
在应用上, 二者的差别是:
- leastSquares对噪声比较敏感, 算法简单;
- ransac能去除一些噪声的干扰, 如果假定模型与实际的情形一致, 那么一般由观测数据计算的ransac模型, 更能接近实际情况, 去除观测或过程噪声干扰, 算法稍微复杂些.
最小二乘法也可以先进行去除离群点的数据预处理, 应用ransac或穷举的方法, 利用任意两点计算一条直线, 将距离直线太远的点设置为离群点, 距离直线较近的点为符合条件的点. 循环处理, 比较群内点的个数, 记录下群内点数最多的集合. 这些点就是 去除离群点的点集合, 利用这些点再进行最小二乘法拟合.
4. 应用
在图像处理及图形学中, 这两种算法经常被用到, 特别是ransac.
在OpenCV的三维重建和标定模块中有很多应用, 如solvePnPRansac, findHomography, estimateAffine3D3等。
5. 参考
- RANSAC与最小二乘算法的应用
- RANSAC与最小二乘法实现
- leastSquares ↩
- ransac ↩
- opencv-ransac ↩
0 0
- 最小二乘法和随机抽样一致性
- 随机抽样一致性算法
- 随机抽样一致性算法
- 随机抽样一致性算法
- 随机抽样一致性算法RANSAC
- ransac算法(随机抽样一致性)
- ransac算法(随机抽样一致性)
- 随机抽样一致性算法(RANSAC)
- 随机抽样一致性算法(RANSAC)
- 随机抽样一致性算法(RANSAC)
- ransac算法(随机抽样一致性)
- 随机抽样一致性算法(RANSAC)
- 随机抽样一致性算法(RANSAC)
- 随机抽样一致性算法(RANSAC)转载
- 随机抽样一致性算法(RANSAC)
- 随机抽样一致性算法(RANSAC)
- 随机抽样一致性算法(RANSAC)
- 随机抽样一致性算法(RANSAC)
- Win10系统删除系统自带应用的方法
- 在Xcode7下上传程序到AppStore
- java文件下载
- unity5.3 加载场景的新函数
- 适合做个人博客网站的一套静态页面模板,非常不错哦
- 最小二乘法和随机抽样一致性
- windows下使用Cmake和VC 2013安装mongodb C driver Windows下安装mongodb的C语言程序驱动必须借助交叉编译软件CMake,但是官网上的文档对于一些
- Office在线预览及PDF在线预览的实现方式大集合
- 基于XMPP开发学习------(2)注册、获取个人信息、自动连接
- 1.注册JNI函数
- 轮播各种写法
- 建议56:使用继承ISerializable接口更灵活地控制序列化过程
- 深入了解hibernate的三种状态(含例子)
- Ajax 原理过程 同步与异步区别 优缺点