随机采样一致性识别模型 Ransac

2024-02-29 02:36

本文主要是介绍随机采样一致性识别模型 Ransac,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

pclpy 随机采样一致性识别模型 Ransac

      • 一、算法原理
          • 1.背景
          • 2.运行说明
            • 1.显示带异常值的平面点云
            • 2.显示根据平面模型的随机采样一致性得到的平面点云
            • 3.显示带异常值的球形点云
            • 4.显示根据球形模型的随机采样一致性得到的球形点云
      • 二、代码
      • 三、结果
          • 1.显示带异常值的平面点云
          • 2.显示根据平面模型的随机采样一致性得到的平面点云
          • 3.显示带异常值的球形点云
          • 4.显示根据球形模型的随机采样一致性得到的球形点云
      • 四、相关数据

一、算法原理

1.背景

“RANdom SAmple Consensus”的缩写是RANSAC,它是一种迭代方法,用于从包含异常值的一组数据中估计数学模型的参数。该算法由 Fischler 和 Bolles 于 1981 年发布。 RANSAC 算法假设我们正在查看的所有数据都包含内部值和异常值。Inliers 可以通过具有一组特定参数值的模型来解释,而异常值在任何情况下都不适合该模型。另一个必要的假设是有一个程序可以从数据中最佳地估计所选模型的参数。

来自[维基百科]:

RANSAC 算法的输入是一组观测数据值、一个可以解释或拟合观测的参数化模型,以及一些置信参数。

RANSAC 通过迭代选择原始数据的随机子集来实现其目标。这些数据是假设的内点,然后按如下方式测试该假设:

  1. 模型被拟合到假设的内点,即模型的所有自由参数都是从内点重建的。
  2. 然后针对拟合模型测试所有其他数据,如果某个点与估计模型拟合良好,则也将其视为假设的内点。
  3. 如果足够多的点被归类为假设的内点,则估计模型相当好。
  4. 该模型是从所有假设的内点重新估计的,因为它只是从初始的假设内点集估计出来的。
  5. 最后,通过估计内点相对于模型的误差来评估模型。

这个过程重复固定的次数,每次都会产生一个模型,因为太少的点被归类为内点而被拒绝,或者是一个带有相应误差度量的精炼模型。在后一种情况下,如果其误差低于上次保存的模型,我们将保留精度最高的模型。

RANSAC 的一个优点是它能够对模型参数进行鲁棒估计,即,即使数据集中存在大量异常值,它也可以高度准确地估计参数。RANSAC 的一个缺点是计算这些参数所需的时间没有上限。当计算的迭代次数有限时,获得的解可能不是最佳的,甚至可能不是很好地拟合数据的解。通过这种方式,RANSAC 提供了一种权衡;通过计算更多的迭代次数,可以增加生成合理模型的概率。RANSAC 的另一个缺点是它需要设置特定于问题的阈值。

RANSAC 只能为特定数据集估计一个模型。对于存在两个(或更多)模型时的任何一种模型方法,RANSAC 可能无法找到任何一个。

在这里插入图片描述

上图(来自[维基百科])显示了 RANSAC 算法在二维数据集上的简单应用。我们左边的图像是包含内部值和异常值的数据集的可视化表示。右侧的图像以红色显示所有异常值,以蓝色显示内部值。蓝线是 RANSAC 所做工作的结果。在这种情况下,我们试图拟合数据的模型是一条线,看起来它非常适合我们的数据。

2.运行说明

以下调用结果均在terminal中输入,进入函数所在路径,本项目以 Ransac.py作为处理文件

1.显示带异常值的平面点云
python .\ranscac.py -p
2.显示根据平面模型的随机采样一致性得到的平面点云
python .\ranscac.py -pf
3.显示带异常值的球形点云
python .\ranscac.py -s
4.显示根据球形模型的随机采样一致性得到的球形点云
python .\ranscac.py -sf

二、代码

from pclpy import pcl
import numpy as np
import sysdef simpleVis(cloud):"""可视化点云"""viewer = pcl.visualization.PCLVisualizer()viewer.setBackgroundColor(0, 0, 0)viewer.addPointCloud(cloud, 'sample cloud')viewer.setPointCloudRenderingProperties(0, 3, 'sample cloud')viewer.initCameraParameters()return viewerdef printUsage(program):print('Usage:', program, ' [options]\n',"Options:\n","-------------------------------------------\n","-p          显示带异常值的平面点云\n","-s          显示带异常值的球形点云\n","-pf         显示根据平面模型的随机采样一致性得到的平面点云\n","-sf         显示根据球形模型的随机采样一致性得到的球形点云\n",)if __name__ == '__main__':# 生成点云数据cloud = pcl.PointCloud.PointXYZ()final = pcl.PointCloud.PointXYZ()size = 500point = pcl.point_types.PointXYZ()# 设置点云数据 (直接换成自己的点云即可)if len(sys.argv) == 1:   # 当输入错误是printUsage(sys.argv[0])exit()elif sys.argv[1] == '-p' or sys.argv[1] == '-pf':for i in range(size):point.x = np.random.rand() * 1024point.y = np.random.rand() * 1024if i % 5 == 0:point.z = np.random.rand() * 1024  # 1/5的外点else:point.z = -(point.x + point.y)  # 剩下的是平面z=-(x+y)上的点cloud.push_back(point)  # 将点云给与cloudelif sys.argv[1] == '-s' or sys.argv[1] == '-sf':   # 平面点云for i in range(size):point.x = np.random.rand() * 1024point.y = np.random.rand() * 1024if i % 5 == 0:point.z = np.random.rand() * 1024  # 1/5的外点elif i % 2 == 0:point.z = np.sqrt(np.fabs(1024 ** 2 - point.x ** 2 - point.y ** 2))  # 剩下的是圆x^2+y^2+z^2=1024^2上的点else:point.z = -np.sqrt(np.fabs(1024 ** 2 - point.x ** 2 - point.y ** 2))cloud.push_back(point)else:printUsage(sys.argv[0])exit()inliers = pcl.vectors.Int()# 创建随机采样一致性实例并计算估计模型model_s = pcl.sample_consensus.SampleConsensusModelSphere.PointXYZ(cloud)model_p = pcl.sample_consensus.SampleConsensusModelPlane.PointXYZ(cloud)if sys.argv[1] == '-pf':   # Ransac使用拟合ransac = pcl.sample_consensus.RandomSampleConsensus.PointXYZ(model_p)ransac.setDistanceThreshold(0.01)  # 设置距离阈值ransac.computeModel()ransac.getInliers(inliers)elif sys.argv[1] == '-sf':   # Ransac使用拟合ransac = pcl.sample_consensus.RandomSampleConsensus.PointXYZ(model_s)ransac.setDistanceThreshold(0.01)   # 设置距离阈值ransac.computeModel()ransac.getInliers(inliers)# 将所有通过模型计算的内点复制到另外一个点云 pclpy中未完成copyPointCloud函数extract = pcl.filters.ExtractIndices.PointXYZ()extract.setInputCloud(cloud)extract.setIndices(inliers)extract.setNegative(False)extract.filter(final)viewer = Noneif sys.argv[1] == '-p' or sys.argv[1] == '-s':  # 可视化显示带异常值点云viewer = simpleVis(cloud)elif sys.argv[1] == '-pf' or sys.argv[1] == '-sf':  # 根据平面模型的随机采样一致性viewer = simpleVis(final)while not viewer.wasStopped():viewer.spinOnce(10)

三、结果

1.显示带异常值的平面点云

在这里插入图片描述

2.显示根据平面模型的随机采样一致性得到的平面点云

在这里插入图片描述

3.显示带异常值的球形点云

在这里插入图片描述

4.显示根据球形模型的随机采样一致性得到的球形点云

在这里插入图片描述

四、相关数据

open3d 平面分割(Ransac算法 :open3d 平面分割(Ransac算法)-CSDN博客

这篇关于随机采样一致性识别模型 Ransac的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/757325

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别: 采用超过 40 万小时数据训练,支持超过 50 种语言,识别效果上优于 Whisper 模型。富文本识别:具备优秀的情感识别,能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力,支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者