Rocky的部落格

http://blog.chinaunix.net/uid-24517893-id-2752072.html 

http://homepages.inf.ed.ac.uk/rbf/HIPR2/linedet.htm

http://homepages.inf.ed.ac.uk/rbf/HIPR2/hough.htm

http://www.cnblogs.com/cfantaisie/archive/2011/06/05/2073343.html

http://www.cnblogs.com/cvart/archive/2011/07/07/2100564.html

http://www.cnblogs.com/smartvessel/archive/2011/10/20/2218654.html

http://grunt1223.iteye.com/blog/961063

給定兩個點p1與p2的坐標，確定這兩點所構成的直線，要求對於輸入的任意點p3，都可以判斷它是否在該直線上。初中解析幾何知識告訴我們，判斷一個點在直線上，只需其與直線上任意兩點點斜率都相同即可。實際操作當中，往往會先根據已知的兩點算出直線的表達式（點斜式、截距式等等），然後通過向量計算即可方便地判斷p3是否在該直線上。 

生產實踐中的數據往往會有一定的偏差。例如我們知道兩個變量X與Y之間呈線性關系，Y=aX+b，我們想確定參數a與b的具體值。通過實驗，可以得到一組X與Y的測試值。雖然理論上兩個未知數的方程只需要兩組值即可確認，但由於系統誤差的原因，任意取兩點算出的a與b的值都不盡相同。我們希望的是，最後計算得出的理論模型與測試值的誤差最小。大學的高等數學課程中，詳細闡述了最小二乘法的思想。通過計算最小均方差關於參數a、b的偏導數為零時的值。事實上，在很多情況下，最小二乘法都是線性回歸的代名詞。 

遺憾的是，最小二乘法只適合與誤差較小的情況。試想一下這種情況，假使需要從一個噪音較大的數據集中提取模型（比方說只有20%的數據時符合模型的）時，最小二乘法就顯得力不從心了。例如下圖，肉眼可以很輕易地看出一條直線（模式），但算法卻找錯了。 



RANSAC算法的輸入是一組觀測數據（往往含有較大的噪聲或無效點），一個用於解釋觀測數據的參數化模型以及一些可信的參數。RANSAC通過反復選擇數據中的一組隨機子集來達成目標。被選取的子集被假設為局內點，並用下述方法進行驗證： 
 

http://www.cnblogs.com/xrwang/archive/2011/03/09/ransac-1.html