RANSAC在图像拼接中有所使用，有时候也在图像理解的相关算法中有所使用。
算法简介如下(摘自《图像处理、分析与机器视觉（第3版）》)：
1.假设我们要将n个数据点X={x1,x1,...,xn}拟合为一个由至少m个点决定的模型（m<=n，对于直线，m=2）。（我这里实际是两个不同均值、协方差高斯分布产生的数据）
2.设迭代计数k=1。
3.从X中随机选取m个项并拟合一个模型。（我这里直线拟合，选了2个项）
4.给定偏差ε，计算X中相对于模型的残差在偏差ε的个数，如果元素个数大于一个阈值t，根据一致点集重新拟合模型（可以利用最小二乘或其变种），算法终止。（我这里的偏差为1，阈值为数据个数的2/3）
5.设k=k+1，如果k小于一个事先给定的K，跳至第3步，否则采用具有迄今最大的一致点集模型，或算法失败。
运行效果如下，红圈是所有的数据，蓝叉是符合拟合模型的数据。
matlab代码如下：
main.m
1 close all;clear all;clc;
2
3 %真实的数据
4 mu=[0 0]; %均值
5 S=[1 2.5;2.5 8]; %协方差
6 data1=mvnrnd(mu,S,200); %产生200个高斯分布数据
7
8 %噪声数据
9 mu=[2 2];
10 S=[8 0;0 8];
11 data2=mvnrnd(mu,S,100); %产生100个噪声数据
12
13 data=[data1;data2];
14 plot(data(:,1),data(:,2),'ro'); %显示全部数据
15
16 K=100; %设置最大迭代次数
17 sigma=1; %设置拟合直线与数据距离的偏差
18 pretotal=0; %符合拟合模型的数据的个数
19 k=1;
20 while pretotal < size(data,1)*2/3 && k<K %有2/3的数据符合拟合模型或达到最大迭代次数就可以退出了
21 SampIndex=floor(1+(size(data,1)-1)*rand(2,1)); %产生两个随机索引，找样本用，floor向下取整
22
23 samp1=data(SampIndex(1),:); %对原数据随机抽样两个样本
24 samp2=data(SampIndex(2),:);
25
26 line=Mytls([samp1;samp2]); %对两个数据拟合出直线，或其他变种拟合方法
27 mask=abs(line*[data ones(size(data,1),1)]'); %求每个数据到拟合直线的距离
28 total=sum(mask<sigma); %计算数据距离直线小于一定阈值的数据的个数
29
30 if total>pretotal %找到符合拟合直线数据最多的拟合直线
31 pretotal=total;
32 bestline=line; %找到最好的拟合直线
33 end
34 k=k+1;
35 end
36
37 %显示符合最佳拟合的数据
38 mask=abs(bestline*[data ones(size(data,1),1)]')<sigma;
39 hold on;
40 for i=1:length(mask)
41 if mask(i)
42 plot(data(i,1),data(i,2),'+');
43 end
44 end
Mytls.m（已知两点求直线）
1 %这里是解如下三个方程的方程组
2 %a*x1+b*y1+c=0
3 %a*x2+b*y2+c=0
4 %a^2+b^2=1
5 %返回系数[a b c]
6 function line=Mytls(data)
7 x = data(1, :);
8 y = data(2, :);
9
10 k=(y(1)-y(2))/(x(1)-x(2)); %直线斜率，有些情况肯定需要个别判断，这里忽略了
11 a=sqrt(1-1/(1+k^2));
12 b=sqrt(1-a^2);
13
14 if k>0 %如果斜率大于0，a,b异号
15 b=-b;
16 end
17
18 c=-a*x(1)-b*y(1);
19 line=[a b c];
20 end