src/ransac.py

   1 """RANSAC estimation."""
   2
   3 import random
   4 from math import sqrt
   5 import numpy as NP
   6
   7 # TODO comments
   8 # TODO threshold
   9
  10 def points_to_line((x1, y1), (x2, y2)):
  11     return (y2 - y1, x1 - x2, x2 * y1 - x1 * y2)
  12
  13 def filter_near(data, line, distance):
  14     a, b, c = line
  15     dst = lambda (x, y): abs(a * x + b * y + c) / sqrt(a*a+b*b)
  16     is_near = lambda p: dst(p) <= distance
  17     return [p for p in data if is_near(p)]
  18
  19 def least_squares(data):
  20     x = NP.matrix([(a, 1) for (a, b) in data])
  21     xt = NP.transpose(x)
  22     y = NP.matrix([[b] for (a, b) in data])
  23     [a,c] = NP.dot(NP.linalg.inv(NP.dot(xt, x)), xt).dot(y).flat
  24     return (a, -1, c)
  25
  26 class Linear_model:
  27     def __init__(self, data):
  28         self.data = data
  29
  30     def get(self, sample):
  31         if len(sample) == 2:
  32             return points_to_line(*sample)
  33         else:
  34             return least_squares(sample)
  35
  36     def initial(self):
  37         return random.sample(self.data, 2)
  38
  39     def score(self, est, dist):
  40         cons = []
  41         score = 0
  42         a, b, c = est
  43         dst = lambda (x, y): abs(a * x + b * y + c) / sqrt(a*a+b*b)
  44         for p in self.data:
  45             d = dst(p)
  46             if d <= dist:
  47                 cons.append(p)
  48             score += min(d, dist)
  49         return score, cons
  50
  51 def iterate(model, distance):
  52     score = float("inf")
  53     consensual = model.initial()
  54     estimate = model.get(consensual)
  55     new_score, consensual = model.score(estimate, distance)
  56     while (new_score < score):
  57         score = new_score
  58         try:
  59             estimate = model.get(consensual)
  60         except NP.linalg.LinAlgError:
  61             pass
  62         estimate = model.get(consensual)
  63         new_score, consensual = model.score(estimate, distance)
  64     return score, estimate, consensual
  65
  66 def estimate(data, dist, k, modelClass=Linear_model):
  67     model = modelClass(data)
  68     best = float("inf")
  69     estimate = None
  70     consensual = None
  71     for i in xrange(0, k):
  72         new, new_estimate, new_consensual = iterate(model, dist)
  73         if new < best:
  74             best = new
  75             estimate = new_estimate
  76             consensual = new_consensual
  77
  78     return estimate, consensual
  79
  80 def ransac_duo(data, dist, k, mk, modelClass=Linear_model):
  81     cons = []
  82     for i in xrange(mk):
  83         model, cons = estimate(set(data) - set(cons), dist, k, modelClass)
  84     return (model, cons), estimate(set(data) - set(cons), dist, k, modelClass)
  85