立体匹配算法之全局立体匹配算法之动态规划、图割、置信传播算法之个人见解。

全局能量函数 E(d)= E(data) + E(smooth) 的广泛运用

在动态规划立体匹配算法、图割立体匹配算法、置信传播立体匹配算法中，所运用的全局能量函数一致，在众多硕士论文、期刊中，涉及对全局能量函数的改进，比如数据项的取值、平滑项的取值。
我还注意到，SD\AD在众多立体匹配算法中的运用，总而言之，所有算法都要归结为灰度图的灰度值、RGB三通道数值，或者说大数据的处理。

动态规划立体匹配算法

我们知道SAD\SSD的每一次操作对象，或者说匹配对象是 每一个像素点 或者说 局部立体匹配算法 是一个一个像素点 进行的。
我们要明白动态规划的含义，在众多博主的资料中，我发现 这样来说明动态规划的含义：已知6+7=13，那么6+7+1=？ 动态规划意为，利用前一项的数据，避免重复计算。所以 6+7+1 = 13+1 ，这样就使得运算更为简单。
将动态规划运用到立体匹配算法中，就是 在极限约束的条件下，进行整行的立体匹配，寻找满足全局能量函数的最小值。直接使用某一前像素匹配到的最小能量函数，只计算当前像素的最佳能量函数，也就是最佳视差点。从而到达全局或整行能量最小。
我挺好奇，全局动态规划立体匹配算法是寻找整行的全局能量函数最小，但整行是由行中各个像素构成，这里用到的全局能量函数（数据项和平滑项）是否也可以运用在局部立体匹配算法，整行的最优不就是整行各个元素的最优。
这里运用的动态规划立体匹配算法与局部立体匹配算法相比，只是运用了全局能量函数。
关于动态规划立体匹配算法补充一点：其各个阶段能量函数构建时，也是在一定的视差搜索范围内进行，并不是整行每点都进行检测。

基于图割的立体匹配算法

图论中的最大流/最小割理论。
主要是构建完整网络图。无向图G=（V,E），V为网格中的顶点集，E为网格中的边集。
然后对边容量的赋值。①源点、汇点连接边的容量。②视差边的容量。③光滑边的容量。（视差边即全局能量函数的数据项，光滑边即全局能量函数的光滑项。）
能量函数最小化问题可以转化为求网格图中的最大流的问题，根据最大流最小割定理，寻找网格图中最大流的问题又可以表述为最小割的求取问题，即寻找网络中使得割中边的容量和为最小的割。

置信传播立体匹配算法

首先要明确贝叶斯网络模型，然后再了解运用在立体匹配算法中的马尔可夫立体模型。
置信传播立体匹配算法是将每一个节点的概率分布收敛于一个稳态。把能量函数抽象一个马尔可夫随机场，把匹配代价与场景的先验假设联系起来，再用聚合传播算法获得后验概率最大解。
置信传播算法流程：①把能量函数的数据项映射为马尔可夫随机场中黑色点与白色点的相互作用因子。②把能量函数的平滑项映射为马尔可夫随机场中相邻节点的相互作用因子。 最后通过计算马尔可夫随机场中的最大后验概率分布来间接最小化图像的全局能量函数。