图像配准----RANSAC

对角点进行初始匹配后，所选定的角点并不能保证全部是正确的点，也可能有误点，因此，还需要进一步对所选定的角点进行精确匹配。

 

RANSAC(RANdom Sample And Consensus)方法是由Fischler和Bolles提出的一种鲁棒性的参数估计方法。它的基本思想是在进行参数估计时，不是不加区分地对待所有可用的输入数据，而是首先针对具体问题设计出一个目标函数，然后迭代地估计该函数的参数值，利用这些初始参数值把所有的数据分为所谓的“内点”(Inliers，即满足估计参数的点)和“外点”(Outliers，即不满足估计参数的点)，最后反过来用所有的“内点”重新计算和估计函数的参数。

 

使用RANSAC估计方法，可以最大限度地减少噪声及外点的影响。

 

RANSAC用于选定最佳角点的主要步骤为：

(1)、将初始提取的2行N列的N个角点变成3行N列的N个角点，第三行为全1；

(2)、对初始提取的角点进行归一化；

(3)、设置迭代最大次数；

(4)、设置每次随机选取时最少的角点个数；

(5)、每次随机选取由(4)指定个数的角点；

(6)、判断由(5)中选取的角点，是否有部分共线，并设定最大循环次数；

(7)、对选定的角点计算2-D单应性矩阵；

(8)、选定一次内点并记录；

(9)、对选定的内点进行判断；

(10)、如满足条件(9)则作为选出的最好一组内点，否则，依次循环(5)~(9)；

 

RANSAC算法由于在初始时是随机选取角点，因此存在不确定性，即时相同操作对两对同样的特征点进行RANSAC算法角点提取，每一次得出的结果也不一定就是相同的，但是最终的效果一般都是比较理想的。