| 【理论恒叨】【立体匹配系列】经典SGM：（2）匹配代价计算之Census变换 | 您所在的位置：网站首页 › sgbm算法用途 › 【理论恒叨】【立体匹配系列】经典SGM：（2）匹配代价计算之Census变换 |
【理论恒叨】【立体匹配系列】经典SGM：（2）匹配代价计算之Census变换
|
理论恒叨系列
【理论恒叨】【立体匹配系列】经典SGM：（1）匹配代价计算之互信息（MI） 【理论恒叨】【立体匹配系列】经典SGM：（2）匹配代价计算之Census变换 【理论恒叨】【立体匹配系列】经典SGM：（3）代价聚合（Cost Aggregation） 【理论恒叨】【立体匹配系列】经典SGM：（4）视差计算、视差优化 【理论恒叨】【立体匹配系列】经典SGM：（2）匹配代价计算之Census变换上篇博客中，我们介绍了基于互信息的代价计算方法，由于基于互信息的匹配代价计算由于需要初始视差值，所以需要通过分层迭代的方式得到较为准确的匹配代价值，而且概率分布计算稍显复杂，这导致代价计算的效率并不高。学者Zabih和Woodfill 1 提出的基于Census变换法也被广泛用于匹配代价计算。Census变换是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，思路非常简单，通过将邻域窗口（窗口大小为 n × m n×m n×m， n n n和 m m m都为奇数）内的像素灰度值与窗口中心像素的灰度值进行比较，将比较得到的布尔值映射到一个比特串中，最后用比特串的值作为中心像素的Census变换值 C s C_s Cs，如公式1所示： 式1 
其中， n ′ n' n′和 m ′ m' m′分别为不大于 n n n和 m m m的一半的最大整数， ⊕ ⊕ ⊕为比特位的逐位连接运算， ξ ξ ξ运算则由公式2定义： 式2 
基于Census变换的匹配代价计算方法是计算左右影像对应的两个像素的Census变换值的汉明（Hamming）距离，即 式3 
Hamming距离即两个比特串的对应位不相同的数量，计算方法为将两个比特串进行亦或运算，再统计亦或运算结果的比特位中不为1的个数。 基于Census变换的匹配代价计算方法如图1所示， 图1 汉明距离示意图 
从图1可以看出，Census变换对整体的明暗变化并不敏感，因为是比较的相对灰度关系，所以即使左右影像亮度不一致，也能得到较好的匹配效果。 Census相比互信息还具有并行度高的优点，因为Census变换值是局部窗口运算，所以每个像素可以独立运算，这个特性让其可以很好的设计多线程并行计算模型，无论是CPU并行还是GPU并行都能达到非常高的并行效率。 在实际匹配过程中，简单的执行匹配代价计算并不能得到高质量的视差图，必须经过代价聚合步骤，聚合后的代价能够更准确地反应匹配相似度，下篇博客中，将为大家详解SGM的代价聚合步骤，查看请点击 >> link 附： 计算Census值及Hamming的代码： Census值： uint8 gray_center= img_data[image_y *img_width + image_x]; // 中心像素值 // 遍历大小为2csh*2csw的窗口内邻域像素，逐一比较像素值与中心像素值的的大小，计算census值 uint32 census_value = 0u; for (sint32 i = -csh; i census_value uint32 dist = 0, val = x ^ y; // Count the number of set bits while (val) { ++dist; val &= val - 1; } return dist; } 码上教学系列【恒叨立码】【码上实战】【立体匹配系列】经典SGM：（1）框架与类设计 【恒叨立码】【码上实战】【立体匹配系列】经典SGM：（2）代价计算 【恒叨立码】【码上实战】【立体匹配系列】经典SGM：（3）代价聚合 【恒叨立码】【码上实战】【立体匹配系列】经典SGM：（4）代价聚合2 【恒叨立码】【码上实战】【立体匹配系列】经典SGM：（5）视差优化 【恒叨立码】【码上实战】【立体匹配系列】经典SGM：（6）视差填充 【恒叨立码】【码上实战】【立体匹配系列】经典SGM：（7）弱纹理优化 完整代码已发布于Github开源项目：Github/SemiGlobalMatching，欢迎免费下载 博主简介： Ethan Li 李迎松 武汉大学 摄影测量与遥感专业博士 主方向立体匹配、三维重建 2019年获测绘科技进步一等奖（省部级） 爱三维，爱分享，爱开源 GitHub： https://github.com/ethan-li-coding 邮箱：[email protected] 个人微信： ZABIH R, WOODFILL J. Non-parametric local transforms for computing visual correspondence[M]. 1994: 151-158. ↩︎ |
欢迎交流！ 喜欢博主的文章不妨关注一下博主的博客，感谢！ 博客主页：https://blog.csdn.net/rs_lys【本文地址】