CHƯƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI
2.1 Thuật toán RANSAC
2.1.3 Ưu nhược điểm
Một ưu điểm của RANSAC là khảnăng ước lượng mạnh mẽ các tham số của mơ hình, tức là nó có thểước tính các tham số với mức độ chính xác cao ngay cả khi có một sốlượng lớn các giá trị ngoại lệ có trong tập dữ liệu. Một nhược điểm của RANSAC là khơng có giới hạn trên về thời gian cần thiết để tính tốn các tham số này. Khi số lần lặp được tính tốn bị giới hạn, giải pháp thu được có thể khơng tối ưu và thậm chí nó có thể khơng phù hợp với dữ liệu theo cách tốt. Theo cách này, RANSAC đưa ra một sựđánh đổi, bằng cách tính tốn số lần lặp lại nhiều hơn, xác suất của một mơ hình hợp lý được tạo ra sẽtăng lên. Hơn nữa, RANSAC khơng phải lúc nào cũng có thể tìm được bộ tối ưu ngay cảđối với các bộ bị nhiễu vừa phải và nó thường hoạt động kém khi sốlượng phần tử nội ít hơn 50%. RANSAC tối ưu đã được đề xuất để xử lý cả hai vấn đề này và có khảnăng tìm ra tập hợp tối ưu cho các tập hợp nhiễu cao, ngay cảđối với tỷ lệ phần tử nội chỉ dưới 5%. Một
30 nhược điểm khác của RANSAC là nó yêu cầu thiết lập các ngưỡng dành riêng cho từng mơ hình.
RANSAC chỉ có thểước tính một mơ hình cho một tập dữ liệu cụ thể. Đối với bất kỳphương pháp tiếp cận một mơ hình nào khi tồn tại hai (hoặc nhiều) trường hợp mơ hình, RANSAC có thể khơng tìm thấy một trong hai. Biến đổi Hough là một kỹ thuật ước lượng mạnh mẽ thay thế có thể hữu ích khi có nhiều hơn một cá thể mơ hình. Một cách tiếp cận khác đểđiều chỉnh nhiều mơ hình được gọi là PEARL, kết hợp lấy mẫu mơ hình từ các điểm dữ liệu như trong RANSAC với việc ước tính lại lặp đi lặp lại các nội số và việc điều chỉnh đa mơ hình được xây dựng như một bài tốn tối ưu hóa.