自適應(yīng)的尺度估計(jì)及魯棒的類熵模型擬合算法.pdf

1、魯棒模型擬合在計(jì)算機(jī)視覺(jué)中應(yīng)用廣泛，例如線和圓的擬合、單應(yīng)矩陣與基本矩陣的估計(jì)、運(yùn)動(dòng)分割、范圍圖像分割等。由于實(shí)際應(yīng)用中的數(shù)據(jù)通常包含噪聲和離群點(diǎn)（這些可能是因?yàn)閭鞲衅髟肼暋㈠e(cuò)誤的特征提取以及錯(cuò)誤的分割等因素造成的），因此，魯棒模型擬合是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)。在魯棒模型擬合的研究中，內(nèi)點(diǎn)噪聲尺度估計(jì)和模型參數(shù)估計(jì)是兩個(gè)重要的研究?jī)?nèi)容。內(nèi)點(diǎn)噪聲尺度估計(jì)的準(zhǔn)確性直接影響到模型參數(shù)估計(jì)的準(zhǔn)確性和數(shù)據(jù)分割的效果。但是，當(dāng)前的尺度估計(jì)算法和模

2、型參數(shù)估計(jì)算法在處理含有大量離群數(shù)據(jù)時(shí)仍然不夠魯棒。本文針對(duì)魯棒模型擬合中的存在的問(wèn)題，提出了魯棒的尺度估計(jì)算法AIKOSE和魯棒的模型擬合算法ASEE和AMSAC。本文的貢獻(xiàn)在于:
　　為了解決自適應(yīng)的尺度估計(jì)問(wèn)題，本文提出了一個(gè)新的魯棒的尺度估計(jì)算法AIKOSE。通過(guò)對(duì)殘差分布的分析，使得AIKOSE能夠自適應(yīng)的選擇IKOSE尺度估計(jì)算法中的K值，從而能夠更好地估計(jì)出內(nèi)點(diǎn)的噪聲尺度。大量的實(shí)驗(yàn)表明，AIKOSE在估計(jì)噪聲尺度時(shí)

3、表現(xiàn)出了非常好的魯棒性。
　　為了解決模型參數(shù)的估計(jì)問(wèn)題，本文提出了一個(gè)新的魯棒估計(jì)算法ASEE。ASEE基于最近提出的IKOSE尺度估計(jì)算法與LEL參數(shù)估計(jì)算法，通過(guò)最小化內(nèi)點(diǎn)的熵來(lái)估計(jì)模型的參數(shù)。與LEL不同的是，ASEE估計(jì)方法只考慮了內(nèi)點(diǎn)的熵，這使得它在模型參數(shù)估計(jì)方面非常魯棒，能夠處理高達(dá)90％的離群點(diǎn)。與其他估計(jì)算法相比，本文提出的ASEE算法簡(jiǎn)單且計(jì)算效率高。從手工產(chǎn)生的數(shù)據(jù)和真實(shí)數(shù)據(jù)的實(shí)驗(yàn)分析中可以看出，該魯棒估計(jì)