10、立体匹配：基础、前沿技术与现存挑战

立体匹配：基础、前沿技术与现存挑战

视差细化

在立体匹配过程中，得到的视差图通常存在强度噪声和空洞，因此需要进行后处理步骤来细化视差图。
- 左右视差一致性检查（LRDCC） ：生成左右视差图 (D_L) 和 (D_R)，并移除视差不一致的像素。其判定条件为 (|D_L(u, v) - D_R(u - D_L(u, v), v)| > \sigma)，其中 (\sigma) 是手动设置的阈值，通常采用一个像素。
- 亚像素增强 ：通过在初始视差附近插入匹配成本来提高视差图像的分辨率。
- 中值滤波 ：用于填充未能匹配的像素和 LRDCC 产生的空洞。
- 其他方法 ：如鲁棒平面拟合、强度一致性和局部一致性等方法，也常用于提高视差精度。这些方法的连续应用通常取决于具体的应用需求和所采用的立体匹配算法。

基于机器学习的立体匹配算法

卷积神经网络（CNNs）在立体匹配领域受到了广泛关注，因为它们能够进行有效的特征提取和信息聚合，从而成为视差估计的热门选择。基于 CNN 的算法主要分为有监督和无监督两种类型。

有监督方法

有监督的立体匹配方法大致可分为三类：
1. 学习更好的特征对应关系 ：采用学习到的表示来计算匹配成本，然后通过成本聚合和正则化方法进行视差估计。例如，Žbontar 和 LeCun 设计的 CNN 用于计算块级相似度得分。该网络由一个卷积层 (L_1)（包含 32 个大小为 (5\