在計算機視覺領域廣泛的使用各種不同的采樣一致性參數估計算法用于排除錯誤的樣本，樣本不同對應的應用不同，例如剔除錯誤的配準點對，分割出處在模型上的點集，PCL中以隨機采樣一致性算法（RANSAC）為核心，同時實現了五種類似與隨機采樣一致形算法的隨機參數估計算法，例如隨機采樣一致性算法（RANSAC）最大似然一致性算法（MLESAC），最小中值方差一致性算法（LMEDS）等，所有估計參數算法都符合一致性原則。在PCL中設計的采樣一致性算法的應用主要就是對點云進行分割，根據設定的不同的幾個模型，估計對應的幾何參數模型的參數，在一定容許的范圍內分割出在模型上的點云。

（1）RANSAC隨機采樣一致性算法的介紹

RANSAC是“RANdom SAmple Consensus（隨機抽樣一致）”的縮寫。它可以從一組包含“局外點”的觀測數據集中，通過迭代方式估計數學模型的參數。它是一種不確定的算法——它有一定的概率得出一個合理的結果；為了提高概率必須提高迭代次數。

數 據分兩種：有效數據（inliers）和無效數據（outliers）。偏差不大的數據稱為有效數據，偏差大的數據是無效數據。如果有效數據占大多數，無 效數據只是少量時，我們可以通過最小二乘法或類似的方法來確定模型的參數和誤差；如果無效數據很多（比如超過了50%的數據都是無效數據），最小二乘法就 失效了，我們需要新的算法

一個簡單的例子是從一組觀測數據中找出合適的2維直線。假設觀測數據中包含局內點和局外點，

總結

以上是生活随笔為你收集整理的PCL采样一致性算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。