其中一个子项: 平滑项。
问题如下:
(1)平滑是什么意思?
(2)为什么需要平滑?
(3)平滑项如何计算?
(4)该项的实际意义是什么?
(1)平滑是什么意思?
数学上的平滑: 平滑法是对不断获得的实际数据和原预测数据给以加权平均,使预测结果更接近于实际情况的预测方法,又称光滑法或递推修正法。平滑法是趋势法或时间序列法中的一种具体方法。
图像平滑: 图像平滑是指受传感器和大气等因素的影响,遥感图像上会出现某些亮度变化过大的区域,或出现一些亮点(也称噪声)。这种为了抑制噪声,使图像亮度趋于平缓的处理方法就是图像平滑。图像平滑实际上是低通滤波,平滑过程会导致图像边缘模糊化。
也就是同样的思维就是: 通过某种处理,避免一些突变的畸形值,尽可能接近实际情况
(2)为什么需要平滑?
由于在缓慢移动的摄像机摄像过程中,邻近帧的图像往往变化非常微弱,因此在邻近帧的成对的匹配点之间,像素的差别应该是近似不变的。在实际情况中,基于像素点的匹配代价并不能完全正确地反映两幅图像中两个点匹配的正确性;比如噪声、大范围的相似区域等,其结果是错误匹配的代价常常会小于正确匹配代价,从而影响算法在该点的深度估计。 因此,必须增加一些额外的平滑约束到能量的定义中,这种约束通常是采用对深度或者灰度的变化的惩罚,以抑制噪声对匹配结果的影响。为了衡量立体匹配的正确性,我们在我们的能量函数中引入了平滑项。
这里也就是为了惩罚两幅图像的2点的错误匹配。
(3)平滑项如何计算?
通常,在立体重建中,平滑项被定义为如下:
公式3.10
考虑鲁棒性,通常是截断的函数,即:
公式3.11
其中是截断参数,是权重函数,表示像素点x和像素点y应该拥有相同逆深度的可能性。为了鼓励深度不连续性与颜色变化一致,通常基于相邻像素的色差来定义。在此处,我们简单地采用zhang等人提出的方法去定义平滑项权重系数。
注意到这里的一个问题了: 平滑项权重系数的如何求——要参考这篇论文的方法。
另外一个问题: 阈值的大小如何抉择
还有一个问题: x和y的关系是否是通过之前的共轭像素映射而成的
(4)该项的实际意义是什么?
如之前提到的: 必须增加一些额外的平滑约束到能量的定义中,这种约束通常是采用 对深度或者灰度的变化的惩罚,以抑制噪声对匹配结果的影响。