随机采样一致性算法在计算机视觉领域有着广泛的运用，在点云分割中，经常用到随机采样一致性算法，所以就仔细研究了一下该算法，并记下了一些便于理解的笔记。
采样一致性参数估计算法主要用于排除错误样本，可以从一组包含“局外点”的观测数据中，通过迭代的方式估计数学模型参数。
RANSAC随机采样一致性算法：
先从样本中随机抽选出一个样本子集，然后使用最小方差估计算法对这个子集计算模型参数，然后计算所有样本与该模型的偏差，再用一个预先设定好的阈值与偏差进行比较，当偏差小于阈值时，则该点标记为样本内点，否则剔除。记录内点的个数，然后重复这一过程，每一次重复，都记录下最佳模型参数(即样本内点个数最多)，每一次迭代后，会根据期望的误差率、总样本个数、当前迭代次数计算一个迭代结束评判因子，根据此来决定迭代结束。
这个算法里面有两个问题：1、阈值的设定 2、迭代的次数
LMedS最小中值方差估计算法：
与RANSAC算法前面部分流程都差不多，不同的是LMedS记录的是所有样本中，偏差值居中的那个样本的偏差，以及本次计算得到的模型参数。因此就不需要在预先设置阈值了，重复前面的过程N次，从N个偏差中选出一个最小的，他对应的模型参数就是最终的模型参数估计值
该算法已经在PCL点云库中实现了，具体的代码，在点云分割中一起写吧，打那么多字有点累~