RANSAC(随机抽样一致性)

RANSAC（Random Sample Consensus）是一种用于拟合模型并对含有噪声和异常值的数据进行鲁棒估计的算法。它的基本思想是通过迭代的方式从数据集中随机选择一部分样本，然后根据这些样本拟合模型，再根据拟合得到的模型评估其他样本是否符合该模型。通过迭代过程，RANSAC可以找到一个对异常值具有鲁棒性的拟合模型。

RANSAC的步骤如下：
1. 随机选择一部分样本，这部分样本称为内群（inliers）。
2. 根据内群拟合模型，得到模型的参数。
3. 对于剩余的样本，计算其与模型的误差，将误差小于一定阈值的样本称为内群，将误差大于阈值的样本称为离群（outliers）。
4. 判断当前模型的质量，可以通过判断内群的数量或者拟合误差的均值来评估模型的好坏。
5. 重复以上步骤多次，选择拟合误差最小或者内群最多的模型作为最终结果。

RANSAC的优点在于它能够有效地处理含有噪声和异常值的数据，对于不同类型的模型都可以使用。相比于最小二乘法，RANSAC可以捕捉到那些偏离中心的离群点，并将其排除在拟合过程之外，从而得到更准确的结果。因此，在一些对数据质量要求较高的应用中，RANSAC的效果往往优于最小二乘法。

参考资料：
基于OpenCV实现的RANSAC随机抽样一致性直线拟合_thequitesunshine007的博客-CSDN博客
如下图所示，由于最小二乘法拟合数据的时候是考虑所有的数据，所以最小二乘法的误差较大，而RANSAC算法是将那些噪声点设为离群点，就像下图中偏离中心的那些点，所以RANSAC得到的结果准确度较高，所以RANSAC的效果总是远优于最小二乘法。
RANSAC将数据分为内群数据和离群数据，离群数据也就是受噪声影响的数据。RANSAC假定，给定一组内群，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。