ransac演算法

⑴ SURF演算法和RANSAC演算法怎麼聯合使用

就是首先隨機抽取觀測數據子集，我們假設視為這子集就是「內點」（局內點或者局內數據）。然後用這子集進行相關的擬合來計算模型參數（或者估計函數）。找到這模型（或者函數）以後，利用觀測點（數據）進行是否正確，如果求出來的模型能夠滿足足夠多的數據，我們視為很正確的數據。最後我們採納。但是，如果不適合，也就是說求出來的模型（或者函數，也可以是模型參數）滿足的數據點很少，我們就放棄，從新隨機抽取觀測數據子集，再進行上述的操作。這樣的運算進行N次，然後進行比較，如果第M（M<N）次運算求出來的模型滿足的觀測數據足夠多的話，我們視為最終正確的模型（或者稱之為正確地擬合函數）。可見，所謂的隨機抽樣一致性演算法很適合對包含很多局外點（雜訊，干擾等）的觀測數據的擬合以及模型參數估計。當然最小二乘法也是不錯的演算法，但是，最小二乘法雖然功能強大，不過，它所適合的范圍沒有RANSAC那麼廣。

⑵ 數據的演算法都有哪些……

A*搜尋演算法
俗稱A星演算法。這是一種在圖形平面上，有多個節點的路徑，求出最低通過成本的演算法。常用於游戲中的 NPC的移動計算，或線上游戲的 BOT的移動計算上。該演算法像 Dijkstra演算法一樣，可以找到一條最短路徑；也像BFS一樣，進行啟發式的搜索。

Beam Search
束搜索(beam search)方法是解決優化問題的一種啟發式方法，它是在分枝定界方法基礎上發展起來的，它使用啟發式方法估計k個最好的路徑，僅從這k個路徑出發向下搜索，即每一層只有滿意的結點會被保留，其它的結點則被永久拋棄，從而比分枝定界法能大大節省運行時間。束搜索於20 世紀70年代中期首先被應用於 人工智慧領域,1976 年Lowerre在其稱為 HARPY的語音識別系統中第一次使用了束搜索方法。他的目標是並行地搜索幾個潛在的最優決策路徑以減少回溯，並快速地獲得一個解。

二分取中查找演算法
一種在有序數組中查找某一特定元素的搜索演算法。搜素過程從數組的中間元素開始，如果中間元素正好是要查找的元素，則搜素過程結束；如果某一特定元素大於或者小於中間元素，則在數組大於或小於中間元素的那一半中查找，而且跟開始一樣從中間元素開始比較。這種搜索演算法每一次比較都使搜索范圍縮小一半。

Branch and bound
分支定界演算法是一種在問題的解空間樹上搜索問題的解的方法。但與回溯演算法不同，分支定界演算法採用廣度優先或最小耗費優先的方法搜索解空間樹，並且，在分支定界演算法中，每一個活結點只有一次機會成為擴展結點。

數據壓縮
數據壓縮是通過減少計算機中所存儲數據或者通信傳播中數據的冗餘度，達到增大數據密度，最終使數據的存儲空間減少的技術。數據壓縮在文件存儲和分布式系統領域有著十分廣泛的應用。數據壓縮也代表著尺寸媒介容量的增大和網路帶寬的擴展。

Diffie–Hellman密鑰協商
Diffie–Hellman key exchange，簡稱「D–H」，是一種安全協議。它可以讓雙方在完全沒有對方任何預先信息的條件下通過不安全信道建立起一個密鑰。這個密鑰可以在後續的通訊中作為對稱密鑰來加密通訊內容。

Dijkstra』s 演算法
迪科斯徹演算法（Dijkstra）是由荷蘭計算機科學家艾茲格·迪科斯徹發明的。演算法解決的是有向圖中單個源點到其他頂點的最短路徑問題。舉例來說，如果圖中的頂點表示城市，而邊上的權重表示著城市間開車行經的距離，迪科斯徹演算法可以用來找到兩個城市之間的最短路徑。

動態規劃
動態規劃是一種在 數學和計算機科學中使用的，用於求解包含重疊子問題的最優化問題的方法。其基本思想是，將原問題分解為相似的子問題，在求解的過程中通過子問題的解求出原問題的解。 動態規劃的思想是多種演算法的基礎，被廣泛應用於計算機科學和工程領域。比較著名的應用實例有：求解最短路徑問題，背包問題，項目管理，網路流優化等。這里也有一篇文章說得比較詳細。

歐幾里得演算法
在 數學中，輾轉相除法，又稱 歐幾里得演算法，是求 最大公約數的演算法。輾轉相除法首次出現於 歐幾里得的《幾何原本》（第VII卷，命題i和ii）中，而在中國則可以追溯至 東漢出現的《九章算術》。

快速傅里葉變換(FFT)
快速傅里葉變換（Fast Fourier Transform，FFT），是離散傅里葉變換的快速演算法，也可用於計算離散傅里葉變換的逆變換。快速傅里葉變換有廣泛的應用，如數字信號處理、計算大整數乘法、求解偏微分方程等等。

哈希函數
HashFunction是一種從任何一種數據中創建小的數字「指紋」的方法。該 函數將數據打亂混合，重新創建一個叫做散列值的指紋。散列值通常用來代表一個短的隨機字母和數字組成的字元串。好的散列 函數在輸入域中很少出現散列沖突。在散列表和數據處理中，不抑制沖突來區別數據，會使得資料庫記錄更難找到。

堆排序
Heapsort是指利用堆積樹（堆）這種 數據結構所設計的一種排序演算法。堆積樹是一個近似完全二叉樹的結構，並同時滿足堆積屬性：即子結點的鍵值或索引總是小於（或者大於）它的父結點。

歸並排序
Merge sort是建立在歸並操作上的一種有效的排序演算法。該演算法是採用分治法（Divide and Conquer）的一個非常典型的應用。

RANSAC 演算法
RANSAC 是」RANdom SAmpleConsensus」的縮寫。該演算法是用於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，它是一種非確定性演算法，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。該演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），並且這組觀測數據受到雜訊影響。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。

RSA加密演演算法
這是一個公鑰加密演算法，也是世界上第一個適合用來做簽名的演算法。今天的RSA已經 專利失效，其被廣泛地用於 電子商務加密，大家都相信，只要密鑰足夠長，這個演算法就會是安全的。

並查集Union-find
並查集是一種樹型的 數據結構，用於處理一些不相交集合（Disjoint Sets）的合並及查詢問題。常常在使用中以森林來表示。

Viterbi algorithm
尋找最可能的隱藏狀態序列
等等這些，演算法很多。

⑶ 近些年來還有沒有類似mean shift，ransac，icp的演算法出現

最經典的，基於meanshift的目標跟蹤演算法，opencv裡面有現成的。還有基於光流場的目標跟蹤方法。

⑷ matlab ransac 怎麼用

1.假設我們要將n個數據點X={x1,x1,...,xn}擬合為一個由至少m個點決定的模型（m<=n，對於直線，m=2）。（我這里實際是兩個不同均值、協方差高斯分布產生的數據）
2.設迭代計數k=1。
3.從X中隨機選取m個項並擬合一個模型。（我這里直線擬合，選了2個項）
4.給定偏差ε，計算X中相對於模型的殘差在偏差ε的個數，如果元素個數大於一個閾值t，根據一致點集重新擬合模型（可以利用最小二乘或其變種），演算法終止。（我這里的偏差為1，閾值為數據個數的2/3）
5.設k=k+1，如果k小於一個事先給定的K，跳至第3步，否則採用具有迄今最大的一致點集模型，或演算法失敗。
運行效果如下，紅圈是所有的數據，藍叉是符合擬合模型的數據。

⑸ 一篇英文翻譯，有關RANSAC演算法的（主要講用RANSAC演算法找匹配圖片的）

也來湊個數：
概括演算法原理框架為輕松的通訊問題摘要：abstractfinding信件在二之間(廣泛)separatedviews是要點對幾個計算機視覺任務，如此asstructure，運動估計，目標識別。 Inthe寬基線匹配使用的規模和/或為對應搜索仿射invariantfeatures通常proceedsin兩個階段。在第一階段取得的correspondencesis公認的一套基於featuredescriptors之間的距離。在第二階段的比賽是由施加refinedby的極線幾何robustestimation意味著全球的幾何約束和incorrectmatches為離群拒絕。對於在一個視圖功能，通常只有一個「最好的」功能theother視圖（最近鄰）被選作相應的功能，盡管thefact幾個匹配候選人存在。本文wewill考慮每個功能多個候選匹配，並集成了穩健估計這個階段的選擇，從而避免了早期的承諾，「最佳」之一。 Thisyields之間的比賽為真正的書信集identifyingthe廣義RANSAC框架。我們examinethe為setsof對應不同的取樣策略的有效性和測試方法廣泛usingreal硬通信問題causedby之間的意見和/或含糊之處，由於torepetitive場景結構大運動的例子。

⑹ matlab自帶ransac嗎

2018b版的matlab自帶ransac了。具體使用看官方文檔，在computer vision tool box那裡。

⑺ 跪求matlab圖像配准幫助，本人用harris粗匹配求得幾何變換模型的參變數編寫ransac演算法，進行精配准。

基於小波變換的多尺度圖像邊緣檢測matlab源代碼(在Matlab7.0下運行)

clear all;
load wbarb;
I = ind2gray(X,map);imshow(I);
I1 = imadjust(I,stretchlim(I),[0,1]);figure;imshow(I1);
[N,M] = size(I);

h = [0.125,0.375,0.375,0.125];
g = [0.5,-0.5];
delta = [1,0,0];

J = 3;

a(1:N,1:M,1,1:J+1) = 0;
dx(1:N,1:M,1,1:J+1) = 0;
dy(1:N,1:M,1,1:J+1) = 0;
d(1:N,1:M,1,1:J+1) = 0;

a(:,:,1,1) = conv2(h,h,I,'same');
dx(:,:,1,1) = conv2(delta,g,I,'same');
dy(:,:,1,1) = conv2(g,delta,I,'same');

x = dx(:,:,1,1);
y = dy(:,:,1,1);
d(:,:,1,1) = sqrt(x.^2+y.^2);
I1 = imadjust(d(:,:,1,1),stretchlim(d(:,:,1,1)),[0 1]);figure;imshow(I1);

lh = length(h);
lg = length(g);

for j = 1:J+1
lhj = 2^j*(lh-1)+1;
lgj = 2^j*(lg-1)+1;
hj(1:lhj)=0;
gj(1:lgj)=0;
for n = 1:lh
hj(2^j*(n-1)+1)=h(n);
end

for n = 1:lg
gj(2^j*(n-1)+1)=g(n);
end

a(:,:,1,j+1) = conv2(hj,hj,a(:,:,1,j),'same');
dx(:,:,1,j+1) = conv2(delta,gj,a(:,:,1,j),'same');
dy(:,:,1,j+1) = conv2(gj,delta,a(:,:,1,j),'same');

x = dx(:,:,1,j+1);
y = dy(:,:,1,j+1);
dj(:,:,1,j+1) = sqrt(x.^2+y.^2);

I1 = imadjust(dj(:,:,1,j+1),stretchlim(dj(:,:,1,j+1)),[0 1]);figure;imshow(I1);
end

⑻ opencv中怎麼調用ransac演算法

對閾值的選擇： 當兩幅圖像的SIFT特徵向量生成後，下一步我們採用關鍵點特徵向量的歐式距離來作為 兩幅圖像中關鍵點的相似性判定度量。取圖像1中的某個關鍵點，並找出其與圖像2中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離