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FischlerBolles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2N列的N个角点变成3N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。

你可能感兴趣的:(random,算法,Image,Registration)