SGM—代价聚合学习笔记
SGM—代价聚合
以下将基于个人理解,分别从SGM的核心公式,代价计算步骤,代价聚集。由于笔者学识所限,如有错漏或者理解错误的地方,敬请批评。
由于噪声等因素,基于像素的代价计算通常是不明确的,并错误匹配比正确匹配的代价更低。因此,增加了一个附加的约束,通过惩罚相邻差的变化来支持平滑性。像素代价和平滑项约束可以用能量函数E(D)来表示,能量函数E(D)依赖于深度图像D:
第一项是视差为D的所有像素匹配代价的总和,第二项为像素p所有邻近像素q视差改变小于等于1的约束惩罚项P1,第三项为像素p所有邻近像素q视差改变大于1的约束惩罚项P2。对视差变化小的使用较低的惩罚,调整对倾斜或弯曲表面的适应;对于视差变化大的惩罚来保留不连续的面,不连续性的面通常是可见的强度变化。通过采用P2来调整梯度强度,P2′ 为P2的初始值,一般设置为远大于P2>P1。
的数。
立体匹配的问题现在可以归结为寻找能使能量最小化的视差图像D的问题了,但是,在二维的图像中对于存在不连续的能量全局最小化即是NP完全问题(即多项式复杂程度的非确定性问题)。相比之下,利用DP可以在多项式有效地时间内实现图像单行(即一维)的最小化。但是,在二维图像中,很难将单个图像行的一维优化相互关联。例如,在一个方向(即图像行)上非常强的约束与在另一个方向(即图像列)上没有或较弱得约束结合在一起。
这就产生了将各个方向的匹配成本平均地聚集在一起的新思想。对于像素p和视差d,聚合代价S是通过对各方向一维最小代价路径的代价求和来计算的。
L‘r(p,d)表示沿着某一路径r遍历视差为d的所有像素p的代价,
第一项为数据项,匹配代价值C,第二项是平滑项,路径上前一个像素p-r的最小代价包括对不连续性的适当惩罚。
L’的值沿路径永久增加,可能会导致非常大的值。然而,可以通过减去减去前一个像素的最小路径代价来改变。
这个修改不会改变通过视差空间的实际路径,因为对于一个像素p的所有视差,减去的值都是常数,因此,最小值的位置不会改变;然而,上限为
像素的总路径代价值S
S的上限很容易确定为S≤16(Cmax +P2),此时是16条路径时。
C(p,d)是大小为W×H×D(W为影像宽度,H为影像高度,D则为事先给定的视差范围)的三维矩阵来存储每个像素在视差范围内每个视差下的匹配代价值。矩阵C通常称为DSI(Disparity Space Image),这个长方块也是我们常说的视差空间。下图为DSI的示意图:
S(p,d)是一个和C(p,d)大小一样的三维矩阵,用来储存每个像素的聚合代价值。
SGM—代价聚合学习笔记相关推荐
- 基于MVS的三维重建算法学习笔记(四)— 立体匹配经典算法Semi-Global Matching(SGM)论文翻译及要点解读
基于MVS的三维重建算法学习笔记(四)- 立体匹配经典算法Semi-Global Matching(SGM)论文翻译及要点解读 声明 SGM概述 Cost Calculation(像素代价计算)--M ...
- MongoDB 入门教程实战学习笔记-31-mongo 聚合查询管道 Aggregation Pipieline
aggregation 聚合操作处理数据记录并返回计算结果. 聚合操作将多个文档中的值组合在一起, 并且可以对分组数据执行各种操作以返回单个结果. mongodb 提供了三种执行聚合的方法: 聚合管道 ...
- 【理论恒叨】【立体匹配系列】经典SGM:(3)代价聚合(Cost Aggregation)
理论恒叨系列 [理论恒叨][立体匹配系列]经典SGM:(1)匹配代价计算之互信息(MI) [理论恒叨][立体匹配系列]经典SGM:(2)匹配代价计算之Census变换 [理论恒叨][立体匹配系列]经典 ...
- 【码上实战】【立体匹配系列】经典SGM:(4)代价聚合2
昔人已乘黄鹤去,此地空余黄鹤楼. 2020对武汉.对中国.对世界来说是异常艰难的一年.武汉壮士扼腕,封一城而救一国,引得八方救援,举国抗疫.中国人在灾难面前总是空前团结,勇往直前!中华民族几千年来从未 ...
- ElasticSearch学习笔记之二十一 指标聚合
ElasticSearch学习笔记之二十一 指标聚合 指标聚合 Avg Aggregation Script Value Script Missing value Weighted Avg Aggre ...
- CEEMDAN:完全噪声辅助聚合经验模态分解(matlab)——学习笔记3
CEEMDAN:完全噪声辅助聚合经验模态分解--学习笔记3 从EMD到CEEMDAN 1.EMD EMD算法将基于原始信号的局部特征时间尺度,将原始信号分解为特征模态函数,即将其分解为从高频到低频的一 ...
- Caliburn.Micro学习笔记(三)----事件聚合IEventAggregator和 IhandleT
Caliburn.Micro学习笔记目录 今天 说一下Caliburn.Micro的IEventAggregator和IHandle<T>分成两篇去讲这一篇写一个简单的例子 看一它的的实现 ...
- 基于MVS的三维重建算法学习笔记(五)— 立体匹配经典算法PatchMatch论文翻译及要点解读
基于MVS的三维重建算法学习笔记(五)- 立体匹配经典算法PatchMatch论文翻译及要点解读 声明 问题提出 问题建模 通过PatchMatch获取平面参数--Inference via Patc ...
- 学习笔记:强化学习与最优控制(Chapter 2)
Approximation in Value Space 学习笔记:强化学习与最优控制(Chapter 2) Approximation in Value Space 1. 综述 2. 基于Value ...
- MySQL 索引学习笔记
MySQL 索引学习笔记 索引基本概念 索引优点 B-Tree 索引 基本原理 使用场景 使用限制 哈希索引 基本原理 使用限制 自适应哈希索引 处理哈希冲突 相关面试题 高性能索引策略 独立的列 前 ...
最新文章
- 人工智能对医疗和健康产业的冲击和革命——体外克隆
- 7个理由,给你推荐这款“秒杀Excel”的分析神器!
- 基于顺序存储结构的图书信息表的修改(C++)
- oracle 实时负载查询,Oracle并行查询
- 哲学家都在干些什么_哲学家们都干了些什么——哲学是什么
- 如何使用wordnet
- linux环境下启动git,linux系统安装git及git常用命令
- zookeeper中的ZAB协议理解
- 配置React Native环境
- FPGA之通信算法工程师面试题3
- 设计模式优秀文章集合
- 使用组策略为域用户配置IE使用代理服务器
- windows下Elasticsearch安装、ElasticSearch-head插件安装使用
- 【无标题】黑群辉DSM 6.2.3 系统安装图文教程 (2020-12-27更新)
- 无胁科技-TVD每日漏洞情报-2022-12-13
- linux qt 背景图片,《转》qt中添加背景图片(stylesheet)
- 华为支付切换到某国家后支付报错60003
- ASEMI肖特基二极管型号大全之肖特基特性及注意事项
- 2022-2028全球数据中心开放式机架行业调研及趋势分析报告
- 代码随想录补打卡 647 回文子串 516 最长回文子序列