imago_pack/ransac.py

   1 """RANSAC estimation."""
   2
   3 import random
   4 from math import sqrt
   5 import numpy as NP
   6
   7 def initial_estimate(data):
   8     return random.sample(data, 2)
   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 def get_model(data):
  27     if len(data) == 2:
  28         return points_to_line(*data)
  29     else:
  30         return least_squares(data)
  31
  32 def iterate(data, distance):
  33     consensus = 0
  34     consensual = initial_estimate(data)
  35     while (len(consensual) > consensus):
  36         consensus = len(consensual)
  37         model = get_model(consensual)
  38         consensual = filter_near(data, model, distance)
  39     return consensus, model
  40
  41 def estimate(data, dist, k):
  42     best = 0
  43     model = None
  44     for i in xrange(0, k):
  45         new, new_model = iterate(data, dist)
  46         if new > best:
  47             best = new
  48             model = new_model
  49
  50     return model
  51