RANSAC算法原理与实现

article/2025/9/12 17:53:04

参考原文： RANSAC算法学习笔记
重点内容：

算法流程：

1、在可以有（也可以没有，主要看应用场景）条件限制（比如选的子集里的点不能过远等）的情况下，随机选取子集，并假设为局内点。子集的大小，主要取决于要拟合模型的复杂度。
2、用局内点拟合一个模型，此模型适应于假设的局内点，所有的未知参数都能从假设的局内点计算得出。
3、用2中得到的模型去测试整个数据中其他数据，如果某个点适用于估计的模型，认为它也是局内点，将局内点扩充。
4、如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。
5、用所有扩充后的局内点去重新估计模型。
6、通过估计局内点与模型的错误率来评估模型。
7、如果当前模型效果比最好模型更好而被选用为最好模型，否则抛弃当前模型。至此完成一个迭代，然后从第1步开始一个新的迭代。

算法对比：

在这里插入图片描述

#include <opencv2/opencv.hpp>
#include <iostream>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/features2d/features2d.hpp>
void extracte_orb(cv::Mat input,std::vector<cv::KeyPoint> &keypoint,cv::Mat &descriptor){cv::Ptr<cv::ORB> f2d = cv::ORB::create(500);f2d->detect(input,keypoint);cv::Mat image_with_kp;f2d->compute(input,keypoint,descriptor);cv::drawKeypoints(input, keypoint, image_with_kp, cv::Scalar::all(-1),cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);cv::imwrite("orb"+std::to_string(random())+".png",image_with_kp);
}void match_two_image(cv::Mat image1,cv::Mat image2, std::vector<cv::KeyPoint> keypoint1,std::vector<cv::KeyPoint> keypoint2,cv::Mat descriptor1,cv::Mat descriptor2){cv::BFMatcher matcher(cv::NORM_HAMMING);std::vector<cv::DMatch> matches;matcher.match(descriptor1,descriptor2, matches);cv::Mat good_matches_image;cv::drawMatches(image1, keypoint1, image2, keypoint2,matches, good_matches_image, cv::Scalar::all(-1), cv::Scalar::all(-1),std::vector<char>(), cv::DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);cv::imwrite("good_matches_image.png",good_matches_image);{std::vector <cv::KeyPoint> RAN_KP1, RAN_KP2;std::vector<cv::Point2f> keypoints1, keypoints2;for (int i = 0; i < matches.size(); i++) {keypoints1.push_back(keypoint1[matches[i].queryIdx].pt);keypoints2.push_back(keypoint2[matches[i].trainIdx].pt);RAN_KP1.push_back(keypoint1[matches[i].queryIdx]);RAN_KP2.push_back(keypoint2[matches[i].trainIdx]);}std::vector<uchar> RansacStatus;cv::findFundamentalMat(keypoints1, keypoints2, RansacStatus, cv::FM_RANSAC);std::vector <cv::KeyPoint> ransac_keypoints1, ransac_keypoints2;std::vector <cv::DMatch> ransac_matches;int index = 0;for (size_t i = 0; i < matches.size(); i++){if (RansacStatus[i] != 0){ransac_keypoints1.push_back(RAN_KP1[i]);ransac_keypoints2.push_back(RAN_KP2[i]);matches[i].queryIdx = index;matches[i].trainIdx = index;ransac_matches.push_back(matches[i]);index++;}}cv::Mat after_ransac_sift_match;cv::drawMatches(image1, ransac_keypoints1, image2, ransac_keypoints2,ransac_matches, after_ransac_sift_match, cv::Scalar::all(-1), cv::Scalar::all(-1),std::vector<char>(), cv::DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);cv::imwrite("after_ransac_orb_match.png",after_ransac_sift_match);}
}int main(int argc, char *argv[])
{cv::Mat image1 = cv::imread(argv[1]);cv::Mat image2 = cv::imread(argv[2]);std::vector<cv::KeyPoint> keypoint1,keypoint2;cv::Mat descriptor1, descriptor2;extracte_orb(image1,keypoint1,descriptor1);extracte_orb(image2,keypoint2,descriptor2);match_two_image(image1,image2,keypoint1,keypoint2,descriptor1,descriptor2);return 0;
}

总结

从上面的结果来看，经过ransac后的效果还会很好的，剔除了很多错误的匹配结果。

RANSAC的优点是它能鲁棒的估计模型参数。例如，它能从包含大量局外点的数据集中估计出较高精度的参数，较少了离群点对模型结果的影响。

RANSAC的缺点是它计算参数的迭代次数没有上限；如果设置迭代次数的上限，得到的结果可能不是最优的结果，甚至可能得到错误的结果。RANSAC只有一定的概率得到可信的模型，概率与迭代次数成正比。RANSAC的另一个缺点是它要求设置跟问题相关的阀值。RANSAC只能从特定的数据集中估计出一个模型，如果存在两个（或多个）模型，RANSAC不能找到别的模型。

虽然缺点不少，但是我还是不能失去他。