簡介
隨機抽樣一致算法（RANdom SAmple Consensus，RANSAC）。它採用疊代的方式從一組包含離群的被觀測數據中估算出數學模型的參數。 RANSAC是一個非確定性算法，在某種意義上說，它會產生一個在一定機率下合理的結果，而更多次的疊代會使這一機率增加。此RANSAC算法在1981年由Fischler和Bolles首次提出。
RANSAC的基本假設是
“內群”數據可以通過幾組模型的參數來敘述其分布，而“離群”數據則是不適合模型化的數據。
數據會受噪聲影響，噪聲指的是離群，例如從極端的噪聲或錯誤解釋有關數據的測量或不正確的假設。
RANSAC假定，給定一組（通常很小）的內群，存在一個程式，這個程式可以估算最佳解釋或最適用於這一數據模型的參數。
1.“內群”數據可以通過幾組模型的參數來敘述其分布，而“離群”數據則是不適合模型化的數據。
2.數據會受噪聲影響，噪聲指的是離群，例如從極端的噪聲或錯誤解釋有關數據的測量或不正確的假設。
3.RANSAC假定，給定一組（通常很小）的內群，存在一個程式，這個程式可以估算最佳解釋或最適用於這一數據模型的參數。
概述
在數據中隨機選擇幾個點設定為內群；
計算擬合內群的模型；
把其它剛才沒選到的點帶入剛才建立的模型中，計算是否為內群；
記下內群數量；
重複以上步驟多做幾次；
比較哪次計算中內群數量最多，內群最多的那次所建的模型就是我們所要求的解。
1.在數據中隨機選擇幾個點設定為內群；
2.計算擬合內群的模型；
3.把其它剛才沒選到的點帶入剛才建立的模型中，計算是否為內群；
4.記下內群數量；
5.重複以上步驟多做幾次；
6.比較哪次計算中內群數量最多，內群最多的那次所建的模型就是我們所要求的解。
這裡有幾個問題
一開始的時候我們要隨機選擇多少點（n）；
以及要重複做多少次（k）。
1.一開始的時候我們要隨機選擇多少點（n）；
2.以及要重複做多少次（k）。
套用
RANSAC常被用在計算機視覺，例如，對應點問題和估算立體攝影機雙眼相對點的基本矩陣。
計算機視覺
計算機視覺是一門研究如何使機器“看”的科學，更進一步的說，就是指用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖像處理，用計算機處理成為更適合人眼觀察或傳送給儀器檢測的圖像。
作為一門科學學科，計算機視覺研究相關的理論和技術，試圖創建能夠從圖像或者多維數據中獲取“信息”的人工智慧系統。這裡所指的信息指香農定義的，可以用來幫助做一個“決定”的信息。因為感知可以看作是從感官信號中提取信息，所以計算機視覺也可以看作是研究如何使人工系統從圖像或多維數據中“感知”的科學。
作為一個工程學科，計算機視覺尋求基於相關理論與模型來創建計算機視覺系統。這類系統的組成部分包括：
過程控制（例如工業機器人和無人駕駛汽車）
事件監測（例如圖像監測）
信息組織（例如圖像資料庫和圖像序列的索引創建）
物體與環境建模（例如工業檢查，醫學圖像分析和拓撲建模）
交感互動（例如人機互動的輸入設備）
1.過程控制（例如工業機器人和無人駕駛汽車）
2.事件監測（例如圖像監測）
3.信息組織（例如圖像資料庫和圖像序列的索引創建）
4.物體與環境建模（例如工業檢查，醫學圖像分析和拓撲建模）
5.交感互動（例如人機互動的輸入設備）
計算機視覺同樣可以被看作是生物視覺的一個補充。在生物視覺領域中，人類和各種動物的視覺都得到了研究，從而創建了這些視覺系統感知信息過程中所使用的物理模型。另一方面，在計算機視覺中，靠軟體和硬體實現的人工智慧系統得到了研究與描述。生物視覺與計算機視覺進行的學科間交流為彼此都帶來了巨大價值。
計算機視覺包含如下一些分支：畫面重建，事件監測，目標跟蹤，目標識別，機器學習，索引創建，圖像恢復等。
