人工智能AI实战100讲（八）-原理+代码详解

立体匹配算法介绍

全局立体匹配算法
- 全局立体匹配算法主要是采用了全局的优化理论方法估计视差，建立全局能量函数，通过最小化全局能量函数得到最优视差值；
- 通过二维相邻像素视差之间的约束（如平滑性约束）而得到更好的匹配效果，但是对内存的占用量大，速度慢不适合实时运行。主要的算法有图割（graph cuts）、信念传播（belief propagation）、动态规划等算法。
局部立体匹配算法
- 主要是采用局部优化方法进行视差值估计，局部立体匹配算法有 SAD，SSD 等算法，与全局立体匹配算法一样，也是通过能量最小化方法进行视差估计，但是在能量函数中，只有数据项，而没有平滑项；
- 该算法由于每个像素计算互不干扰可以并行计算，所以可以实时。但由于所基于的局部窗口视差相同的假设在很多情况下并不成立导致匹配效果较差。
半全局立体匹配算法SGM
- 综合上述局部和全局算法的优缺点，半全局算法依旧采用全局框架，但是在计算能量函数最小化的步骤时使用高效率的一维路径聚合方法来代替全局算法中的二维最小化算法，使用一维最优来近似二维最优，得到的视差图在效果上和全局算法没有太大的差别，但是算法效率却有非常大的提升。

SGM算法

Census变换：
- 使用像素邻域内的局部灰度差异将像素灰度转换为比特串即为census值&#x

人工智能AI实战100讲（八）-原理+代码详解 | 稠密重建之SGM/tSGM算法相关推荐

机器学习--组合分类方法之AdaBoost算法实战（单层决策树原理代码详解）
详细原理请看我的这篇文章,那里是纯理论说明,大量的数学推倒,建议大家多看看数学推倒,因为那才是本质,只有理解了本质你才知道如何使用这个算法,这个算法的优缺点你才会深入理解,搞算法其实就是搞数学,代码实 ...
人工智能AI实战100讲（七）-原理+代码实战 | 双目视觉中的极线校正
为什么要做极线校正? 三维重建是通过双目立体匹配实现的如图1,通过匹配空间中点在两个图像中的投影点,再根据三角关系得到P的Z值. 我们双目相机拍摄的时候实际情况下如下图a,两个图像做匹配时如我们图中蓝 ...
人工智能AI实战100讲（三）-激光雷达原理和分类
三角测距原理三角测距原理如上图: 这样就可得到物体到激光发射器的距离 d 了,激光雷达将这样的发射器和接收器组装在一起,经过机械旋转360°即可得到一周障碍物的距离. TOF测距原理而TOF(Ti ...
人工智能AI实战100讲（五）-基于强化学习的自动化剪枝模型
1介绍文中涉及代码请参见: 人工智能AI-图像处理cv-基于强化学习的自动化裁剪目前的强化学习工作很多集中在利用外部环境的反馈训练agent,忽略了模型本身就是一种能够获得反馈的环境.本项目的核心 ...
人工智能AI实战100讲（六）-利用CNN来检测伪造图像
随着像Facebook和Instagram这样的社交网络服务的出现,在过去十年中产生的图像数据量有一个巨大增加.使用图像(和视频)等处理软件GNU Gimp,Adobe Photoshop创建修改过的 ...
人工智能AI实战100讲（二十）-先拍照后对焦，基于深度估计的景深编辑与背景虚化
1 景深与背景虚化基础 1.1 什么是景深与虚化动植物摄影,人像摄影中常使用浅景深来虚化背景,突出目标主体,可以大幅提升作品的艺术美感. 当被摄物体位于镜头前方(焦点的前.后)一定长度的空间内时,其 ...
人工智能AI实战100讲（十）-一文读懂推荐系统负采样
推荐系统负采样作为推荐模型训练的重要一环,对模型的训练效果有着重要影响,也是推荐系统领域的一个重要研究分支.本文将从研究背景到现有的经典工作对推荐系统负采样进行一个概括性的介绍.为了降低本文的阅读门槛 ...
人工智能AI实战100讲（四）-基于深度学习的图像增强综述
前言这篇博客主要介绍之前看过的一些图像增强的论文,针对普通的图像,比如手机拍摄的那种,比低光照图像增强任务更简单. 图像增强的定义非常广泛,一般来说,图像增强是有目的地强调图像的整体或局部特性,例如 ...
人工智能AI实战100讲（二）-自动驾驶传感器之激光雷达（二）激光雷达配置车型介绍
今年的上海车展热闹非凡,"智能化"已经成为2021年上海车展的核心主题,特别是新能源汽车大放异彩,预埋感知硬件,高的计算平台水平,自动辅助驾驶能力的肌肉展示. 自动驾驶等级每增加一 ...

人工智能AI实战100讲（八）-原理+代码详解 | 稠密重建之SGM/tSGM算法

人工智能AI实战100讲（八）-原理+代码详解 | 稠密重建之SGM/tSGM算法相关推荐

最新文章

热门文章