随机采样一致性识别模型 Ransac

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

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/707169.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

linux网络查看配置与docker网络删除

注意:如果设置网络不生效,查看是使用bin下面的route还是sbin下面的,通过如下命令复制一样,在启动的时候可以查看加载网络配置文件 [rootlocalhost ~]# tail -f /var/log/messages Feb 28 11:48:12 localhost systemd: boot-init-…

【C++干货基地】C++:函数重载(深度解析Windows和Linux下函数的修饰规则)

🎬 鸽芷咕:个人主页 🔥 个人专栏: 《C干货基地》《粉丝福利》 ⛺️生活的理想,就是为了理想的生活! 引入 哈喽各位铁汁们好啊,我是博主鸽芷咕《C干货基地》是由我的襄阳家乡零食基地有感而发,不知道各位的…

测试开发(6)软件测试教程——自动化测试selenium(自动化测试介绍、如何实施、Selenium介绍 、Selenium相关的API)

接上次博客:测试开发(5)测试分类标准 :按测试对像划分、按是否查看代码划分、按开发阶段划分、按测试实施组织、按是否运行划分、按是否手工划分、按测试地域划分-CSDN博客 目录​​​​​​​ 什么是自动化测试 自动化测试介绍…

ES-ES的基本概念

ES的基本概念 一、文档 1.1 文档相关概念 ES是面向文档的,文档是所有可搜索数据的最小单位,可以对比理解为关系型数据库中的一条数据 日志文件中的一条日志信息一本电影的具体信息/一张唱片的详细信息 文档会被序列化成JSON格式保存在ES中 JSON对象由…

【LeetCode】升级打怪之路 Day 08:反转字符串

今日题目: 344. 反转字符串541. 反转字符串 II151. 反转字符串中的单词 目录 LC 344. 反转字符串 【easy】LC 541. 反转字符串 II 【easy】LC 151. 反转字符串中的单词 【better】 ⭐⭐⭐ 今天主要完成了三道与字符串反转有关的题目,整体难度不大&#x…

react-组件进阶

1.目标 能够实用props接收数据 能够实现父子组件之间的通讯 能够实现兄弟组件之间的通讯 能够给组件添加props校验 能够说出生命周期常用的钩子函数 能够知道高阶组件的作用 2.目录 组件通讯介绍 组件的props 组件通讯的三种方式 Context props深入 组件的生命周期 Render-p…

数据结构:循环队列

一、队列的概念 操作受限的线性表,允许在队列的一端执行入队操作,另一端执行出队操作 先进先出(FIFO) 1.顺序队列 物理结构连续,依赖于数组实现 队列中有一个队头指针和队尾指针,队头指针保存每次要出队的元素,队…

SpringCloud--Nacos解析

一、Nacos简介 Spring Cloud Alibaba Nacos是一个用于动态服务发现、配置管理和服务管理的平台,是阿里巴巴开源的一个项目,旨在简化微服务架构中的服务治理。Nacos 提供了一组简单易用的特性集,可以快速的实现动态服务发现、服务配置、服务元…

2024食品工程与智慧农业国际学术会议(ICFESA2024)

2024食品工程与智慧农业国际学术会议(ICFESA2024) 一、【会议简介】 2024食品工程与智慧农业国际学术会议(ICFESA2024)是一个专注于食品工程和智慧农业领域的国际学术会议。会议将在杭州举行,该会议旨在汇聚全球相关领域的专家学者&#xff…

LiveGBS流媒体平台GB/T28181功能-查看国标设备下通道会话列表直播|回放|对讲|播放|录像|级联UDP|TCP|H264|H265会话

LiveGBS流媒体平台GB/T28181功能-查看直播|回放|对讲|播放|录像|级联UDP|TCP|H264|H265会话 1、会话列表2、会话类型3、搭建GB28181视频直播平台 1、会话列表 LiveGBS-> 国标设备-》点击在线状态 点击会话列表 2、会话类型 下拉会话类型可以看到 直播会话、回放会话、下载…

Windows网络问题:局域网内电脑连接wifi连不上

Windows网络问题:局域网内电脑连接wifi连不上 前提连接的网络没有问题 1、身边是否有人能连接上此网络 2、判断是否是无线网络的问题,寻找有线网络尝试 3、通过手机热点测试是否是电脑本身问题 经过上述的几步判断,如果是电脑本身的问题进行…

pytorch中的setattr和getattr:多层网络堆叠

同一个网络模块的多层叠加是深度学习中常用的操作,如果使用nn.Sequential将这些模块叠加到一起就会显得很呆: self.blocknn.Sequential(capsule_net(),capsule_net(),capsule_net(),capsule_net(),capsule_net(),capsule_net(), )对于这种方法&#xff0…

Qt中tableView控件的使用

tableView使用注意事项 tableView在使用时,从工具栏拖动到底层页面后,右键进行选择如下图所示: 此处需要注意的是,需要去修改属性,从UI上修改属性如下所示: 也可以通过代码修改属性: //将其设…

栈和队列——c语言实现栈

本节复习栈和队列中栈的增删查改。 首先回顾一下栈的性质: 栈的存储数据的原则是“后入先出”, 先入的在栈底, 后入的在栈顶。 弹出数据时在栈顶弹出。 开始实现栈的接口 栈的所有函数接口 //栈的初始化 void StackInit(Stack* pst); //入栈…

某查查首页瀑布流headers加密

目标网站: 某查查 对目标网站分析发现 红框内的参数和值都是加密的,是根据算法算出来的,故进行逆向分析。 由于没有固定参数名,只能通过搜索headers,在搜索的位置上打上断点,重新请求。 断点在此处断住&a…

解决“source ~/.bashrc 无效”的问题

dockerfile 在执行 RUN source ~/.bashrc 的时候会报错: RUN source ~/.bashrc: 0.188 /bin/sh: 1: source: not found 原因 dockerfile默认的shell是sh,无法使用source 解决方案 在 RUN source ~/.bashrc 前面添加以下指令,将shell改为ba…

Vue/React 前端高频面试

说一说vue钩子函数 钩子函数是Vue实例创建和销毁过程中自动执行的函数。按照组件生命周期的过程分为:挂载阶段 -> 更新阶段 -> 销毁阶段。 每个阶段对应的钩子函数分别为:挂载阶段(beforeCreate,created,befor…

半小时到秒级,京东零售定时任务优化怎么做的?

导言: 京东零售技术团队通过真实线上案例总结了针对海量数据批处理任务的一些通用优化方法,除了供大家借鉴参考之外,也更希望通过这篇文章呼吁大家在平时开发程序时能够更加注意程序的性能和所消耗的资源,避免在流量突增时给系统…

Data Leakage and Evaluation Issues inMicro-Expression Analysis 阅读笔记

IEEE Transactions on Affective Computing上的一篇文章,做微表情识别,阅读完做个笔记。本文讨论了Data Leakage对模型准确度评估的影响,及如何融合多个微表情数据集,从而提升模型的准确度。工作量非常饱满,很认真&…

Oracle PL/SQL Programming 第8章:Strings 读书笔记

总的目录和进度,请参见开始读 Oracle PL/SQL Programming 第6版 具有字符数据类型的变量存储文本并由字符函数操作。 本章重点讨论单字节字符集,不涉及Unicode 或多字节字符集,不涉及CLOB(字符大对象)和 LONG。 Str…