特征匹配——稀疏在立体图像对中识别兴趣点.PPT

* 目前评测网站上的前7种算法都是基于分割区域的算法 * 由于GC和BP等优化算法都是基于“贴标签（labelling）”的优化算法，为了限制最终优化时的标签数，这些算法在优化前通常需要在视差平面参数空间中对区域进行聚类分层以减少最终优化时的标签数。但这样做会使得算法的通用性降低，而且最终优化时被用来作为标签的视差平面参数是不变化的，如果最终优化前视差平面参数估计不准确，在优化过程中不能被修正。 * 由结果可以看出，如果空域和色彩域带宽太大，会使部分不同视差区域被误分到同一区域，造成匹配失败。但如果空域和色彩域带宽太小，也会使部分区域及其邻域包含信息量过小，造成匹配困难。因此选择合适的分割带宽对匹配质量的好坏有一定影响 * 采用上述算法，可以有效地去除离群数据的影响，使结果具有鲁棒性 * 协同优化结果使每一变量在相关的每一子目标函数中的取值取得一致 * 协同优化结果使每一变量在相关的每一子目标函数中的取值取得一致 * 协同优化结果使每一变量在相关的每一子目标函数中的取值取得一致 * 其中，Vl和Vr分别表示当前区域在左右图像上的可见像素集，pVl、qVr为左右图像上相匹配的两个对应像素，r、g、b表示相应像素的RGB颜色值。各像素的RGB颜色值如下得到：根据所估计的当前区域的视差平面参数计算与参考图像（本文选为左图像，下同）上的像素p对应的被匹配图像（本文选为右图像，