我的主要研究方向是立體匹配(stereo matching)，是計算機視覺(computer vision)下的乙個研究熱點。研究匹配有一年多了，對這方面(特別是區域性演算法)比較了解，以後會陸續發布我已經實現的經典演算法以及我自己設計的演算法。深知在孤立無援時乙個人探索有多麼困苦，網路之大，說不定就幫了誰。
演算法簡介：
區域性立體匹配演算法中里程碑式的作品。從cvpr和pami就能看出它的分量。adaptiveweight的方法一經提出，正式宣告在匹配精度方面，自適應視窗演算法(adaptive window)的徹底out。並在之後廣為流行起來。
核心思想是為匹配視窗中的每個畫素賦予乙個權值，權值是根據它們與視窗中心點的顏色差和距離得到的。本質上是完成了一種近似的影象分割。
實驗結果：
對4幅標準實驗圖使用該演算法，結果如下。
引數很重要，這裡選擇的 rc=13,rp=31，比用原文提供的引數效果更好。
注：未做左右檢測。
立體匹配 立體匹配過程
立體匹配就4個步驟 匹配代價計算，代價聚合，計算視差，視差精化 匹配代價計算 一般是通過計算左右兩圖對應畫素3個通道的灰度值差來決定匹配代價的，常用的就是基於畫素點匹配代價計算，一般有ad，sd，tad什麼的，基於區域的匹配代價計算一般有sad，ssd，stad之類的。匹配代價計算會生成乙個disp...
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...