RANSACmenetelmät

RANSACmenetelmät, lyhenne sanoista Random Sample Consensus, ovat iteratiivisia menetelmiä epäluotettavan datan joukosta parametrien estimaattiin. Ne ovat erityisen hyödyllisiä, kun datassa on merkittävä määrä poikkeamia, eli outrejä. RANSAC-menetelmän perusidea on valita satunnaisesti pieni osajoukko datasta mallin estimoimiseksi ja sitten tarkistaa, kuinka monta muuta datan pistettä sopii tähän malliin. Tämä prosessi toistetaan useita kertoja, ja paras malli valitaan sen perusteella, kuinka monta pistettä se selittää.

Menetelmä etenee tyypillisesti seuraavasti: ensin valitaan satunnainen pieni joukko datan pisteitä, jota kutsutaan minijoukoksi. Minijoukon koko riippuu estimoitavan mallin parametrien lukumäärästä. Tämän jälkeen näiden pisteiden perusteella estimoidaan mallin parametrit. Seuraavaksi käydään läpi koko datasetti ja lasketaan, kuinka monta pistettä sopii estimoituun malliin tietyllä toleranssialueella. Nämä pisteet muodostavat mallin sisäjoukon. Jos sisäjoukon koko ylittää ennalta määrätyn kynnysarvon, malli tallennetaan mahdollisena ratkaisuna. Lopuksi, kun riittävän monta iteraatiota on suoritettu, paras tallennettu malli, eli suurin sisäjoukko selittänyt malli, valitaan lopulliseksi estimaatiksi.

RANSAC-menetelmiä käytetään laajalti tietokonenäössä esimerkiksi linjojen, ympyröiden tai homografioiden estimointiin kuvista, mutta niitä sovelletaan myös muilla aloilla, joissa käsitellään kohinaista dataa. Menetelmän tehokkuus riippuu olennaisesti poikkeamien osuudesta datassa ja valittujen parametrien oikeellisuudesta.