本文內容來自於2023年pauline tan以及 pascal monasse在ipol上發表的文章《stereo disparity through cost aggregation with guided filter》，該文獻最主要的貢獻是在區域性立體匹配演算法中
提出了用引導濾波器進行
代價聚合。
由於在畫素到畫素之間直接進行相似度比較會對雜訊十分敏感。所以，每乙個點的匹配代價p(i) = c(i, d)需要進行濾波。自從被設計為具有邊緣保持特性，將i
l作為引導影象的
引導濾波就被採用
進行代價聚合。
記引導圖（導向圖）為g，輸入影象為p，輸出影象為q，引導濾波的目標就是：使得原始的輸入和輸出盡可能相同，同時紋理部分與引導圖g相似。設定前乙個位目標1後乙個為目標2。
於是對於
目標1(
輸入影象p和輸出影象q盡可能相似)，可以用公式描述為：
對於目標2(輸出影象q的紋理和引導圖g盡可能相似)，用公式描述為：
上式中如果q為單通道影象，g為多通道，那麼a為乙個向量；如果q和g通道數相同，那麼a為標量或者對角矩陣。顯然，a的值越小，最後的輸出影象也就越平滑。
對於目標2，可以對等式兩邊取定積分，從而得到：
將式3代入式1，可以得到能量函式如下：
其中εa2
為正則項，防止a過大。
對能量函式進行求偏導即可
求取a, b。下面結合具體影象視窗對a, b進行求解。
設定影象i作為引導(灰度)影象並且q作為濾波輸出。對於每個視窗ωk，
其半徑為rgf
並且以k為中心（根據定義，半徑為r、邊長2×r + 1並且|ωk|的表示視窗ωk中的畫素數），乙個依賴於引數k的待濾波影象qk
被定義為在視窗ωk
中的i的線性變換： ∃a
k, b
k, ∀i ∈ ω
k, q
k(i) = a
k· i(i) + bk.
如果k太靠近影象邊緣，那麼我們只考慮視窗中保留在影象的部分（見下圖）。
在視窗ω
k中，由於ak和b
k是常數，對(1)式求導，所以我們可以寫 ∇q
k= a
k∇i.
也就是說，影象i中的強邊緣意味著q
k中出現強邊緣。 因此，引導濾波器保留了引導影象中的邊緣。為了確定係數a
k和bk，濾波器輸入p和輸出q
k之間的二範數取最小。因此，這個問題的能源方程是：
立體匹配演算法 RankTransform
1.基本介紹 立體匹配演算法，關鍵是計算左右圖對應點的匹配代價。但是基於畫素的匹配方法有乙個問題就是對於重複紋理區域，支援視窗選取太小則不利於獲取準確的匹配代價，視窗選取過大則計算複雜度過高。對於這種情況，我們應該適當的考慮支援視窗的結構資訊，但是結構資訊如何表示，怎樣定量計算，這裡就要用到標題中提...
立體匹配演算法 RankTransform
1.基本介紹 立體匹配演算法，關鍵是計算左右圖對應點的匹配代價。但是基於畫素的匹配方法有乙個問題就是對於重複紋理區域，支援視窗選取太小則不利於獲取準確的匹配代價，視窗選取過大則計算複雜度過高。對於這種情況，我們應該適當的考慮支援視窗的結構資訊，但是結構資訊如何表示，怎樣定量計算，這裡就要用到標題中提...
立體匹配演算法不足
根據不同的標準，立體匹配演算法有不同的分類方法。首先，根據匹配基元的不同，立體匹配演算法可分為 基於區域的匹配演算法，基於特徵的匹配演算法和基於相位的匹配演算法。基於區域的匹配演算法。主要利用左右檢視中，區域性視窗之間灰度資訊的的相關程度進行匹配。該演算法可利用所有的影象資訊，最大限度地恢復場景細節...