转自：http://blog.csdn.net/zhanglei8893/archive/2010/01/23/5249470.aspx
RANSAC 是"RANdom SAmple Consensus"的缩写。该算法是用于从一组观测数据中估计数学模型参数的迭代方法，由Fischler and Bolles在1981 提出，它是一种非确定性算法，因为它只能以一定的概率得到合理的结果，随着迭代次数的增加，这种概率是增加的。 该算法的基本假设是观测数据集中存在"inliers"（那些对模型参数估计起到支持作用的点）和"outliers"（不符合模型的点），并且这组观测数据受到噪声影响。RANSAC 假设给定一组"inliers"数据就能够得到最优的符合这组点的模型。
RANSAC 算法需要给定一些参数：
1）fit 一个模型所需的最少样本点数n；
2）最大迭代次数k；
3）确定某个点是否靠近模型的阈值t；
4）确定某个模型是好模型需要的符合该模型的最少样本点数。
这些参数对RANSAC 算法的结果影响很大。
Ransac算法直线参数估计仿真
1） 数据输入，为了方便观察，程序采用二值图的方式输入，其中黑点代表数据。输出时采用绿点表示“inlineres”
红点表示“outliners”
2） 初始化参数参数n，k，d，t。其中直线估计时n=2,另外我们初始化最小样本数的比例k/N，其中N为总的样本数。
3） 程序按照RANSAC 算法运行，在结果图中将最终选择的模型里，距离该模型小于阈值
4） 随机选择两个点，确定一条直线，计算其他点到这条直线的距离，若小于阈值，则将其加入到“inlineres”中。
5） 若“inlineres”的数量大于符合该模型的最少样本点数，则利用总体最小二乘重新估计出一条直线，计算误差。若当前误差小于
最优误差，则修改最优误差为当前误差。
6） 迭代进行，直至完成。
结果如下
