stereovision

85 立体匹配专注于成本聚合策略，评价方法包括only DISC和NON_OCC

86 现如今一些相关的成本聚合策略   位置 形状 位置和形状 权重 

      这些技术的大多数都使用对称策略来计算支撑平面

      

各种窗口

96 分割 

     图片通过相似颜色强度的连接像素所构成的区域而分割开来

     这对立体匹配中的成本聚合，偏移量优化和差异值检测等等很有用哦

97 基于分割

      假设：每个块中的深度变化平滑

      相关图像分割（非对称）

      不受限制的形状和大小（以最大支持）

      基于像素的成本公式：M-估计量

      需要明确的分割

      成本权重同样块设置为1不同块设置小于1

98 最大值中的每个点所允许的支撑平面：

      与参考图片中的中心点同样分割效果的点假设权重为1

      外部点的权重远小于1

100 双边滤波器

        边缘保存平滑技术

        总体来说每个元素以它的空间和颜色临近（有关于中心点）而设置权重的大小

        含蓄的设置分块

101 合适的权重

        成本根据空间和颜色相近而均衡的设置权重

        基于像素的成本函数：TAD

        均匀支撑

105 分割支撑

        对两个图像进行分割

        抛弃空间临近假设：权重只依赖于分割和颜色邻近

        成本函数：TAD

        对称支撑

        参考（目标）图像的权重根据如下公式分配

109 快速聚合

        假设：每个分块的深度变化平缓

        成本：TAD

        只对参考图像R进行分块

        不对称支撑（相关图像）

        支撑延伸至整个分块

110 Cw的出现时避免了分区锁

        Cw有助于高纹理区域（其中每个分块都很小）

        然而，Cw会引进人工扰乱（不连续）既然聚合是以固定窗口的形式进行设置

112 快速双边立体框架（FBS）

        对称支持

        将自适应权重的方法的准确性与传统方法的有效性相结合

        以大小w×w的块计算规范的滤波器

        提升噪声鲁棒性

        通过integral-image和box-filtering的方式去有效的进行成本计算

113 范围滤波器基于块进行计算参考块中的均值

        中心点设置成参考值为了避免不连续的不正确的定位。

        空间滤波器基于块进行计算。

120 局部不变的立体匹配

       通过详尽的模型化连续限制来开采领域像素之间的相关关系

       （深度不连续还有低纹理区域的重要提升）非常的准确

       与原始的方法相比具有了更加显著的提升

127 自适应成本聚合

        根据引导滤波器激活的对称成本聚合

        聚合独立于窗口大小

        可应用于彩色图像（与基于完整灰度化方法不一样）

        与现在的算法作对比

128 快速/简化 自适应成本聚合

        对称的成本聚合

        成本仅根据固定选择的几个点进行计算

        计算域固定点集的匹配成本

129 偏移量计算/优化

        这一步旨在找到最佳的偏移量任务（DSI内部的最佳路线/平面）最小化整个立体对的成本函数

        能量方程主要有两部分构成

        数据部分是测量了任何如何较好的匹配于立体样本对（以全部的匹配成本）一些方法基于简单的基于像素的成本函数。而有效的支撑聚合策略可以成功的被采用

       软化/规范化项详尽的强制图像进行连续的分块假设，这对偏移变化和边缘深度巨变由了惩罚。深度边缘似乎与边界有关

130 既然最佳的分配，最小化能量函数是一个NP难问题。然而有很多有效的能量最小策略

        比如 图像切块  置信度传播 合作最优化

        相关的能量最小化策略的细节部分由63展示

        对比方法的感兴趣类别最小化能量函数，这类例子中，能量最小化问题可以有效的由DP或者SO方法去解决

134 动态规划（DP）

        强制命令约束

        统一区域和深度边界的准确性

        条纹效果

136 scanline优化（SO）

        不用强制命令限制

        统一区域和深度边界的有效性

        克服了条纹效果的问题

        需要高容量

150 SO+支撑平面聚合

        该方法结合有效的成本聚合策略

        成本根据有效的策略计算

        只用4个方向

150 偏差值领域中强制局部一致性，以快速SO/DP算法

        该方法旨在提升SO/DP算法的有效性。通过强制原始偏差假设中的局部一致性

        评估C-S和RT的初始偏差假设

        显著提升初始偏差域

153 该方法

        以稠密的立体算法来进行初始密度偏移假设

        通过LC技术来强制局部一致性，包含两个独立的偏移域

        根据Dr和Dt对不确定偏移的任务进行检测和插值

161 LC方法的有效性可以进一步由限制分割方法的子像素性能而大大提升。

        该方法由两步策略来限制子像素的LC

        第一阶段中，我们对参考图片进行过分割：

        对不确定偏移测量进行检测

        在亚像素内进行规范偏移

        第二阶段放松分割限制为了传播限制偏差假设

       之前的算法，我们以简单的偏差假设作为开始。C半圆算法

164 偏差值优化

        由一些算法计算得到的原始的偏差映射包含必须认识和修改的异常值

        除此之外，偏差映射由离散的像素计算而成，因此需要更加精确的偏移值估计

        一些方法旨在提升立体匹配的原始偏移量假设

        下一章有一些很厉害的算法

166 子像素插值

        子像素偏差以一个二元方程的匹配成本所得到

        计算费时且不准确

        更多精确的子像素计算匹配方法

167 图像滤波策略

        很多时候，偏差映射仅是由图像滤波技术所提升，而没有对强调偏差映射强制添加任何限制

        常见的图像滤波策略如下：

        中值滤波

        双边滤波

        形态学操作

168 双向匹配

        双向匹配是立体匹配中广泛使用的技术

        这个对应的问题主要解决两次

        假设左图为参考图

        假设右图为参考图

        当其中的偏差过大时那么说明这是个异常值

        检测闭合时很常用

        保存了深度不连续性

        在模棱两可的区域可以有效的检测异常值

        两步匹配

        含蓄的强制了一致性

171 单匹配阶段(SMP)

        单匹配阶段旨在使用一个更加有效的计算策略来检测不真实的偏差

        使用单匹配阶段

        有效的强制了独一无二的限制

        当单独限制违背时可以有效的更新偏差映射图

        以额外的约束增强

        与BM有效匹配

        与有效的SIMD功能相合适

172 在单纯的匹配阶段，相关是有效的评估和纠正的

        当两个对落在目标图像的同一个点时：

        最佳得分的对应点将会保存

        其他对应点则被抛弃

173 基本的SMP方法可以通过两个额外的限制所增强

        1）特殊性 比如重复区域

        2）尖锐 比如单独区域

176 识别和替换基于异常值的分割

        两个基础的假设：

        1）每个部分的偏差都变化平缓

        2）每个部分能够以一个平面而近似

       很多时候2）并不存在，这就叫做过分割

178 平面中的每个分块都可以以3D空间去建模

        偏差值测量中健壮的平面适合：

        RANSAC

        直方图投票

        Middlebury数据集中表现好的算法论述了全局能量最小化的健壮平面匹配

        下一章将会展示局部方法中的健壮平面匹配

         有趣的方法：以更复杂的平面替换plane

180 噪声测量中的粗插值

        偏移映射中经常包含偏差值

        平面中可靠的匹配需要插值技术偏向于异常值

181 边界和闭合的精确定位

         该方法使用立体匹配算法中的偏移映射

         边界和闭合区域都能够被检测。