#1、算法简介
随机抽样一致算法(RANdom SAmple Consensus,RANSAC)。它是一种迭代的方法，用来在一组包含离群的被观测数据中估算出数学模型的参数。 RANSAC是一个非确定性算法，在某种意义上说，它会产生一个在一定概率下合理的结果，其允许使用更多次的迭代来使其概率增加。此RANSAC算法在1981年由Fischler和Bolles首次提出。
RANSAC的基本假设是 “内群”数据可以通过几组模型参数来叙述其数据分布，而“离群”数据则是不适合模型化的数据。 数据会受噪声影响,噪声指的是离群，例如从极端的噪声或错误解释有关数据的测量或不正确的假设。 RANSAC假定，给定一组（通常很小）的内群，存在一个程序，这个程序可以估算最佳解释或最适用于这一数据模型的参数。
#2、范例 这里用一个简单的例子来说明，在一组数据点中找到一条最适合的线。 假设，此有一组集合包含了内群以及离群，其中内群为可以被拟合到线段上的点，而离群则是无法被拟合的点。如果我们用简单的最小平方法来找此线，我们将无法得到一条适合于内群的线，因为最小平方法会受离群影响而影响其结果。而RANSAC，可以只由内群来计算出模型，而且概率还够高。 然而，RANSAC无法保证结果一定最好，所以必须小心选择参数,使其能有足够的概率。
#3、概述#
- 在数据中随机选择几个点设定为内群
- 计算适合内群的模型
- 把其它刚才没选到的点带入刚才建立的模型中，计算是否为内群
- 记下内群数量
- 重复以上步骤多做几次
- 比较哪次计算中内群数量最多,内群最多的那次所建的模型就是我们所要求的解
这里有几个问题
- 一开始的时候我们要随机选择多少点(n)
- 以及要重复做多少次(k)
#4、参数确定 假设每个点时真正内群的概率为 w
w = 内群的数目/（内群数目+外群数目）
通常我们不知道 w 是多少, w^n是所选择的n个点都是内群的机率, 1-w^n 是所选择的n个点至少有一个不是内群的机率, (1 − w^n)^k 是表示重复 k 次都没有全部的n个点都是内群的机率, 这边定算法跑 k 次以后成功的机率是p，那么,
1 − p = (1 − w^n)^k
p = 1 − (1 − w^n)^k
所以如果希望成功机率高，p = 0.99, 当n不变时，k越大,p越大, 当w不变时，n越大,所需的k就越大, 通常w未知,所以n 选小一点比较好。
#5、应用#
RANSAC常被用在电脑视觉 ，例如，对应点问题 和 估算立体摄影机双眼相对点的基本矩阵。
#6、C实现源码#
#7、优缺点
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高精度的参数。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。