[发明专利]基于自适应双倍阈值的RANSAC数字滤波方法

说明书

技术领域

本发明涉及一种基于自适应双倍阈值的RANSAC数字滤波方法，尤其涉及一种用于数字信号处理和数字图像处理的方法，可以应用在数字信号处理和数字图像处理领域。

背景技术

RANSAC（随机抽样一致性算法）是一种计算机视觉领域内应用较广的鲁棒性估计算法。其主要思想是利用随机抽样的样本具有与数据总体拥有一致的域内点和域外点的分布概率，来估算总体的特征模型，随着抽样的样本达到一定组数，就可以使得到最优模型的概率达到一个期望值。以图1为例，信号本身是一条水平线，由于高斯噪声的干扰使其以高斯形式分布在一条较密的主干线上，被称之为主信号域，主信号域宽度已知。此外，其上下还有分布较广、密度较稀的加性噪声，这时使用RANSAC算法的流程如图2所示，将域内点（域内点指的是位于主信号域内的数据点，是用户希望提取的数据点）的距离阈值L_m（这里的距离阈值L_m指的是用户设定的一个范围，该范围以主信号的基本模型为参照，凡位于该范围以内的数据点被认为是域内点）设置为主信号域宽的一半，最终可以以较大概率抽取到一组全部落在主信号域的样本，这样就可以进行特征提取或者滤波。对这组样本进行拟合或者相关处理能够得到一个基本模型，当这个模型根据已设定距离阈值计算并获得域内点个数最多时被称为最优模型。随机抽样一致性中抽样组数M与单组样本数N的关系如式①所示：

M=log(1-P)/log(1-(1-ε)^N)          ①

式中：P——至少有一组样本全部落在主信号域的概率；

     ε——主信号域外点占总信号的比例。

通过式①可知，至少需要知道ε，才能知道至少要抽取M组样本数为N的数据才能达到概率P使得至少有一组样本全部落在主信号域内。在知道主信号域宽度的情况下，传统的RANSAC法为了设定最优模型所要获得的域内点个数的阈值N_m（N_m是根据ε和信号数据总数N_t设定的一个经验值，用以表征用户认为主信号域应有的域内点个数，一般地，N_m可设定的范围为0<N_m≤(1-ε)N_t），就必须要知道ε。尽管如此，传统的RANSAC法仍然表现出精度不够高、稳定性不佳、不能自适应及耗时长的问题。

如图2所示，传统RANSAC算法流程为：

1）对数字信号或数字图像进行采集，并确定数字信号或数字图像的主信号的基本模型；

2）设定迭代次数的上限阈值N_iteration，设定域内点的距离阈值L_m为B_m；

3）将域内点个数N_o初始值设为0，迭代次数N_c设为1；

4）初始期望值N_h设为N_m；

5）随机抽取M组样本数为N的样本，将i的初始值设为1；

6）利用拟合等算法获取第i组样本的具体模型；

7）根据设定的距离阈值L_m，统计总信号中与该模型垂直距离≤L_m的数据点个数，即为具体模型的域内点个数N_i；

8）当N_i>N_o时，将当前模型设为最优模型W_m，并设N_o=N_i，否则最优模型不变；

9）若i=N，则进入下一步骤，否则i=i+1，并返回步骤4）。

10）若N_o<N_m，当迭代次数未超过设定值N_iteration时，返回步骤3），若N_o≥N_m或迭代次数超过设定值N_iteration时，结束软件流程。

11）利用最终获得的全部域内点进行拟合，并输出最终模型即滤波结果。