做网站整理信息的表格,网站框架都有什么用,重庆seo怎么样,装修设计软件免费下载Ransac 算法python 应用和实现
Ransac 算法是一种常用的图像匹配算法#xff0c;在参数估计领域也经常被使用到。针对估计各种曲线的鲁棒模型参数#xff0c;效果显著。这里对ransac算法进行某些探索。
python program:
import numpy as np
import matplotlib.pyplot as p…Ransac 算法python 应用和实现
Ransac 算法是一种常用的图像匹配算法在参数估计领域也经常被使用到。针对估计各种曲线的鲁棒模型参数效果显著。这里对ransac算法进行某些探索。
python program:
import numpy as np
import matplotlib.pyplot as plt
import random
import math# 数据量。
SIZE 60
SIZE_N 10 # the numbe of noise
# 产生数据。np.linspace 返回一个一维数组SIZE指定数组长度。
# 数组最小值是0最大值是10。所有元素间隔相等。
X np.linspace(0, 10, SIZE)
Y -2 * X 5fig plt.figure()
# 画图区域分成1行1列。选择第一块区域。
ax1 fig.add_subplot(111)
# 标题
ax1.set_title(title )# 让散点图的数据更加随机并且添加一些噪声。
random_x []
random_y []random_x2 []
random_y2 []random_x2b []
random_y2b []random_x22 []
random_y22 []random_x22b []
random_y22b []
# 添加直线随机噪声
for i in range(SIZE):random_x.append(X[i] random.uniform(-1, 1)) random_y.append(Y[i] random.uniform(-1, 1))
# 添加随机噪声
for i in range(SIZE_N):random_x.append(random.uniform(-SIZE,SIZE))random_y.append(random.uniform(-SIZE,SIZE))
RANDOM_X np.array(random_x) # 散点图的横轴。
RANDOM_Y np.array(random_y) # 散点图的纵轴。# 使用RANSAC算法估算模型
# 迭代最大次数每次得到更好的估计会优化iters的数值
iters 1000
iters2 int(iters/2)
# 数据和模型之间可接受的差值
sigma 3
sigma2 10
# 最好模型的参数估计和内点数目
best_a 0
best_b 0
best_a2 0
best_b2 0
pretotal 0
pretotal2 0
# 希望的得到正确模型的概率
P 0.99for i in range(iters):# update the record position for seconde RANSAC random_x2 []random_y2 []# 随机在数据中红选出两个点去求解模型sample_index random.sample(range(SIZE SIZE_N),2)x_1 RANDOM_X[sample_index[0]]x_2 RANDOM_X[sample_index[1]]y_1 RANDOM_Y[sample_index[0]]y_2 RANDOM_Y[sample_index[1]]# y ax b 求解出aba (y_2 - y_1) / (x_2 - x_1)b y_1 - a * x_1# 算出内点数目total_inlier 0for index in range(SIZE SIZE_N): # SIZE * 2 is because add 2 times noise of SIZEy_estimate a * RANDOM_X[index] bif abs(y_estimate - RANDOM_Y[index]) sigma:total_inlier total_inlier 1# record these points that between -sigmarandom_x2.append(RANDOM_X[index])random_y2.append(RANDOM_Y[index])# 判断当前的模型是否比之前估算的模型好if total_inlier pretotal:iters math.log(1 - P) / math.log(1 - pow(total_inlier / (SIZE SIZE_N), 2))pretotal total_inlierbest_a abest_b b# update the latest better pointsrandom_x2b np.array(pretotal) # 散点图的横轴。random_y2b np.array(pretotal) # 散点图的纵轴。random_x2b random_x2random_y2b random_y2SIZE2 pretotal# 判断是否当前模型已经超过八成的点if total_inlier 0.8 * SIZE:break# 用我们得到的最佳估计画图
# 横轴名称。
ax1.set_xlabel(top view x-axis)
# 纵轴名称。
ax1.set_ylabel(top view y-axis)Y best_a * RANDOM_X best_b# show the ransac2 points:
ax1.scatter(random_x2b, random_y2b, cb, markerv)# 直线图
ax1.scatter(RANDOM_X, RANDOM_Y, cr, marker^)ax1.plot(RANDOM_X, Y, cb,)
text best_a str(best_a) \nbest_b str(best_b)
plt.text(5,50, text,fontdict{size: 12, color: b})# the seconde ransac call the point that cover the largest area
RANDOM_XX np.array(random_x2b) # 散点图的横轴。
RANDOM_YY np.array(random_y2b) # 散点图的纵轴。for i in range(iters2):random_x22 []random_y22 []# 随机在数据中红选出一个点去求解模型sample_index2 random.sample(range(SIZE2),1)x_12 RANDOM_XX[sample_index2[0]]y_12 RANDOM_YY[sample_index2[0]]# y ax b 求解出aba2 -1 / ab2 y_12 - (a2 * x_12)# 算出内点数目total_inlier2 0for index in range(SIZE2): # SIZE * 2 is because add 2 times noise of SIZEy_estimate2 a2 * RANDOM_XX[index] b2if abs(y_estimate2 - RANDOM_YY[index]) sigma2:total_inlier2 total_inlier2 1# record these points that between -sigmarandom_x22.append(RANDOM_XX[index])random_y22.append(RANDOM_YY[index])# 判断当前的模型是否比之前估算的模型好if total_inlier2 pretotal2:print(total_inlier2:, total_inlier2)print(SIZE2:, SIZE2)iters math.log(1 - P) / math.log(1 - pow(total_inlier2 / SIZE2, 2))pretotal2 total_inlier2best_a2 a2best_b2 b2# update the latest better pointsrandom_x22b np.array(pretotal2) # 散点图的横轴。random_y22b np.array(pretotal2) # 散点图的纵轴。random_x22b random_x22random_y22b random_y22# 判断是否当前模型已经超过八成的点if total_inlier2 0.8 * SIZE2:break# 用我们得到的最佳估计画图
YY best_a2 * RANDOM_XX best_b2# show the ransac2 points:
ax1.scatter(random_x22b, random_y22b, cg, markero)ax1.set_aspect(equal, adjustablebox)
# 直线图
ax1.plot(RANDOM_XX, YY, cg )
text best_a2 str(best_a2) \nbest_b2 str(best_b2)
plt.text(1,30, text,fontdict{size: 12, color: g})
plt.show()ptyhon results: References
ransac实现参考 scatter()使用方法 Matplotlib 绘制等轴正方形图 random.uniform( ) 函数教程与实例
