From 418047acedf17dba2e78072620c6b02a16f18143 Mon Sep 17 00:00:00 2001
From: libing64 <756445922@qq.com>
Date: Sun, 2 Jun 2013 21:47:38 +0800
Subject: [PATCH] readme

---
 README.md | 56 ++++++++++++++++++++++++++++++++++++++++++++++++++++++-
 1 file changed, 55 insertions(+), 1 deletion(-)

diff --git a/README.md b/README.md
index 1e6a985..e1b0415 100644
--- a/README.md
+++ b/README.md
@@ -1,2 +1,56 @@
-RansacLine
+Ransac算法
 ==========
+
+#1、算法简介
+
+随机抽样一致算法(RANdom SAmple Consensus,RANSAC)。它是一种迭代的方法，用来在一组包含离群的被观测数据中估算出数学模型的参数。 RANSAC是一个非确定性算法，在某种意义上说，它会产生一个在一定概率下合理的结果，其允许使用更多次的迭代来使其概率增加。此RANSAC算法在1981年由Fischler和Bolles首次提出。
+
+RANSAC的基本假设是
+“内群”数据可以通过几组模型参数来叙述其数据分布，而“离群”数据则是不适合模型化的数据。
+数据会受噪声影响,噪声指的是离群，例如从极端的噪声或错误解释有关数据的测量或不正确的假设。
+RANSAC假定，给定一组（通常很小）的内群，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。
+
+#2、范例
+这里用一个简单的例子来说明，在一组数据点中找到一条最适合的线。 假设，此有一组集合包含了内群以及离群，其中内群为可以被拟合到线段上的点，而离群则是无法被拟合的点。如果我们用简单的最小平方法来找此线，我们将无法得到一条适合于内群的线，因为最小平方法会受离群影响而影响其结果。而RANSAC，可以只由内群来计算出模型，而且概率还够高。 然而，RANSAC无法保证结果一定最好，所以必须小心选择参数,使其能有足够的概率。
+
+#3、概述#
+
+1.  在数据中随机选择几个点设定为内群
+2.  计算适合内群的模型
+3.  把其它刚才没选到的点带入刚才建立的模型中，计算是否为内群
+4.  记下内群数量
+5.  重复以上步骤多做几次
+6.  比较哪次计算中内群数量最多,内群最多的那次所建的模型就是我们所要求的解
+7.  
+这里有几个问题
+
+ * 一开始的时候我们要随机选择多少点(n)
+ * 以及要重复做多少次(k)
+
+#4、参数确定
+假设每个点时真正内群的概率为 w
+
+	w = 内群的数目/（内群数目+外群数目）
+
+通常我们不知道 w 是多少, w^n是所选择的n个点都是内群的机率, 1-w^n 是所选择的n个点至少有一个不是内群的机率, (1 − w^n)^k 是表示重复 k 次都没有全部的n个点都是内群的机率, 这边定算法跑 k 次以后成功的机率是p，那么,
+
+	1 − p = (1 − w^n)^k
+	p = 1 − (1 − w^n)^k
+
+所以如果希望成功机率高，p = 0.99, 当n不变时，k越大,p越大, 当w不变时，n越大,所需的k就越大, 通常w未知,所以n 选小一点比较好。
+
+#5、应用#
+
+RANSAC常被用在电脑视觉 ，例如，对应点问题 和 估算立体摄影机双眼相对点的基本矩阵。
+
+#6、C实现源码#
+
+
+#7、优缺点
+
+RANSAC的优点是它能鲁棒的估计模型参数。例如，它能从包含大量局外点的数据集中估计出高精度的参数。RANSAC的缺点是它计算参数的迭代次数没有上限；如果设置迭代次数的上限，得到的结果可能不是最优的结果，甚至可能得到错误的结果。RANSAC只有一定的概率得到可信的模型，概率与迭代次数成正比。RANSAC的另一个缺点是它要求设置跟问题相关的阀值。
+
+RANSAC只能从特定的数据集中估计出一个模型，如果存在两个（或多个）模型，RANSAC不能找到别的模型。
+
+
+