Opencv 可以改进RANSAC以消除异常值吗？

我正在使用SIFT特征检测器和描述符。我正在匹配两幅图像之间的点。我正在使用带有RANSAC方法的OpenCV的

findHomography（）

函数

当我读到RANSAC算法时，据说调整RANSAC的阈值参数可以改善结果。但我不想硬编码任何参数

我知道RANSAC正在删除匹配中的异常值。有人能告诉我在应用单应性之前用基本方法去除异常值（不是全部）是否能改善单应性的结果吗

---

如果是这样，我们如何在RANSAC之前应用一个操作来删除异常值？

不，RANSAC和相关算法的全部要点是删除异常值

然而，可以通过避免定义某种程度上任意的阈值的方式来改进算法

---

一个好的起点是托尔的老一套

你对好结果的定义是什么？RANSAC是关于点数和精度之间的折衷，因此没有统一的好定义：如果精度较差，则有更多的内联线，反之亦然

您正在讨论的参数可能是一个异常值阈值，它可能只是调整得不好，所以您有太多的近似内联线或太少的超精确内联线。现在，如果你预先过滤你的异常值，你只会加快你的RANSAC，但不太可能改善解决方案。最终，单应RANSAC的速度归结为选择4个内联线的概率，当它们的比例较高时，收敛速度更快

---

在应用RANSAC之前，对异常值进行排序的其他方法是查看更简单的约束，例如点的排序、直线仍然是直线以及单应变换的其他不变量。最后，您可能希望使用更高级别的特征（如直线）来计算单应性。注意，在齐次坐标中，当点变换为p2=H*p1时，直线变换为l2=H-t*l1。这实际上可以提高精度（因为直线是宏观特征，比兴趣点噪音小），而直线可以通过Hough变换检测

RANSAC方法通过丢弃异常值来估计所需的单应性。该方法基于这样一个假设，即您的大多数样本都符合基本的单应性。数据中的噪声被消除，如果模型不是100%精确的，参数就在那里给你灵活性。因此，如果模型不准确（例如，因为存在严重失真），预过滤将不会有帮助，只会调整阈值。我必须提醒您，如果使用

findHomography（）

，你假设世界坐标系中的所有3D点都在一个平面上。我忘了提到一件事——RANSAC作为一种迭代方法，必须多次找到单应性，因此运行一种廉价的算法（例如DLT）。要找到真正的单应性，必须将RANSAC的输出作为非线性算法（如LM）的初始化点。廉价算法和非线性算法的区别在于优化指标。非线性方法优化了正确的度量（平方点距离之和），但为此付出了代价（速度很慢）。一个便宜的算法速度很快，但是优化了错误的度量（参数错误）。谢谢你的更新。你们能不能把它添加到被接受的答案中，以供将来的读者参考，因为它也有一个很好的答案。