该算法常用于拟合模型并从包含噪声的数据中识别出合适的模型。
它的主要思想是通过随机抽样的方式从数据集中选择一组数据样本，然后利用这些样本拟合模型，并根据一致性原则判断模型的质量，最终选择最优的模型。
RANSAC 算法基本步骤
随机样本选择：从原始数据集中随机选择一定数量的数据样本，用这些样本来拟合模型。
模型拟合：利用选定的样本拟合一个模型。拟合的模型类型取决于具体的应用场景，可以是直线、平面、圆、椭圆等。
一致性检验：对于剩余的数据点，通过计算它们到拟合模型的距离或者误差，判断它们是否与当前模型一致。一般设定一个阈值，距离小于该阈值的点被认为是一致的。
模型评估：统计通过一致性检验的数据点数量，作为当前模型的质量评价指标。
迭代更新：重复上述步骤多次，每次选择的随机样本可能会产生不同的模型，最终选择具有最大一致性数据点数的模型作为最终结果。
（可附加的额外）操作：在得到最终模型后，可以进行进一步的优化或者验证，例如利用所有一致点重新拟合模型，去除异常点等。
应用场景
RANSAC 算法在估计参数模型时具有很好的鲁棒性，它能够在存在大量噪声的数据中有效地识别出正确的模型。因此，在计算机视觉、图像处理、几何建模等领域中得到广泛应用，如直线拟合、平面拟合、点云配准等任务中都可以使用 RANSAC 算法