臨時研究了下機器視覺兩個基本算法的算法原理 ，可能有理解錯誤的地方，希望發現了告訴我一下
主要是了解思想，就不寫具體的計算公式之類的了
（一） ICP算法（Iterative Closest Point迭代最近點）
ICP（Iterative Closest Point迭代最近點）算法是一種點集對點集配准方法，如下圖1
如下圖，假設PR（紅色塊）和RB（藍色塊）是兩個點集，該算法就是計算怎么把PB平移旋轉，使PB和PR盡量重疊，建立模型的
（圖1）
ICP是改進自對應點集配准算法的
對應點集配准算法是假設一個理想狀況，將一個模型點雲數據X（如上圖的PB）利用四元數
旋轉，並平移
得到點雲P（類似於上圖的PR）。而對應點集配准算法主要就是怎么計算出qR和qT的，知道這兩個就可以匹配點雲了。
但是對應點集配准算法的前提條件是計算中的點雲數據PB和PR的元素一一對應，這個條件在現實里因誤差等問題，不太可能實線，所以就有了ICP算法
ICP算法是從源點雲上的（PB）每個點 先計算出目標點雲（PR）的每個點的距離，使每個點和目標雲的最近點匹配，（記得這種映射方式叫滿射吧）
這樣滿足了對應點集配准算法的前提條件、每個點都有了對應的映射點，則可以按照對應點集配准算法計算，但因為這個是假設，所以需要重復迭代運行上述過程，直到均方差誤差小於某個閥值。
也就是說 每次迭代，整個模型是靠近一點，每次都重新找最近點，然后再根據對應點集批准算法算一次，比較均方差誤差，如果不滿足就繼續迭代
（二）RANSAC算法（RANdom SAmple Consensus隨機抽樣一致）
它可以從一組包含“局外點”的觀測數據集中，通過迭代方式估計數學模型的參數。它是一種不確定的算法——它有一定的概率得出一個合理的結果；為了提高概率必須提高迭代次數。該算法最早由Fischler和Bolles於1981年提出。
光看文字還是太抽象了，我們再用圖描述
RANSAC的基本假設是：
（1）數據由“局內點”組成，例如：數據的分布可以用一些模型參數來解釋；
（2）“局外點”是不能適應該模型的數據；
（3）除此之外的數據屬於噪聲。
而下圖二里面、藍色部分為局內點，而紅色部分就是局外點，而這個算法要算出的就是藍色部分那個模型的參數
（圖二）
RANSAC算法的輸入是一組觀測數據，一個可以解釋或者適應於觀測數據的參數化模型，一些可信的參數。
在上圖二中 左半部分灰色的點為觀測數據，一個可以解釋或者適應於觀測數據的參數化模型 我們可以在這個圖定義為一條直線，如y=kx + b；
一些可信的參數指的就是指定的局內點范圍。而k，和b就是我們需要用RANSAC算法求出來的
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：
1.有一個模型適應於假設的局內點，即所有的未知參數都能從假設的局內點計算得出。
2.用1中得到的模型去測試所有的其它數據，如果某個點適用於估計的模型，認為它也是局內點。
3.如果有足夠多的點被歸類為假設的局內點，那么估計的模型就足夠合理。
4.然后，用所有假設的局內點去重新估計模型，因為它僅僅被初始的假設局內點估計過。
5.最后，通過估計局內點與模型的錯誤率來評估模型。
這個過程被重復執行固定的次數，每次產生的模型要么因為局內點太少而被舍棄，要么因為比現有的模型更好而被選用。
這個算法用圖二的例子說明就是先隨機找到內點，計算k1和b1，再用這個模型算其他內點是不是也滿足y=k1x+b2，評估模型
再跟后面的兩個隨機的內點算出來的k2和b2比較模型評估值，不停迭代最后找到最優點
我再用圖一的模型說明一下RANSAC算法
（圖1）
RANSAC算法的輸入是一組觀測數據，一個可以解釋或者適應於觀測數據的參數化模型，一些可信的參數。
旋轉，並平移