《An efficient photogrammetricstereomatchingmethod for high-resolutionimages》

文章概况

基于SGM算法，针对高分辨率航空影像，提出一种基于CPU平台的系统化高效立体匹配算法优化方法，主要的创新点如下：

• 设计了一种高效的以数据并行模型为基础的并行计算模型
• 对于SGM算法的4个主要步骤进行SSE指令集优化
• 提出一种分层SGM立体匹配模型

优化1：多核并行

优化2：Single Instruction Multiple, SIMD

SIMD结构示意图

SIMD五种使用方法

指令集选择

SSE指令集

指令集运算步骤

基于SSE指令集的SGM匹配算法优化

优化3：分层SGM

视差分层是为了缩小视差搜索空间，从而降低时间复杂度以及内存消耗。

首先，立体匹配在整个视差空间中搜索最优视差曲面，如图所示，给定宽高和视差搜索范围，形成一个三维视差空间，而每个像素的最优视差值会组成一个最优视差曲面。

而如果将视差搜索范围限制在一个较小的范围内，就可以有效提高视差搜索效率，减少内存占用，如图所示。

这就是金字塔匹配策略，在前面的文章《Evaluation of a New Coarse-to-Fine Strategy for Fast Semi-Global Stereo Matching》就有用到这个方法，但SGMf这篇文章只使用了半分辨率的图像，也就是金字塔只有两层。对于超高分辨率图像，如这篇文章中使用的航空图像就需要进行多级分层，如图所示。

除了最顶层（分辨率最低的一层）的视差搜索空间是全范围，其他层的视差搜索范围是按照

确定的。

当进行最后一次Match last之后，得到的视差图就是精确的视差估计。

在分层SGM方法中，会有两个问题：

1. Disparity peaks：用广度优先搜索来检测
2. Disparity holes：用LR-check检测

对于以上两个问题，都会产生视差空洞。如果不进行填充，那么视差传递到下一层之后，会导致产生大片的视差空洞，所以要进行视差填充之后才能传递到下一层。经试验证明，进行peaks填充之后可以缩小cost cube，提高计算速度和降低内存占用。

总优化路线

Reconstruction from multi-view matching results

如果仅仅用一对立体匹配图像，那么得到的视差值是存在偏差的，导致点云有一些离群点。为了减小离群值的影响，提高鲁棒性，就用多对立体匹配对来进行视差估计，以其中一张图像为参考图像，那么就可以得到多张视差图，所以，同一个像素点就有多个相近的三维坐标(E1, E2… En)，根据下式计算偏差：

如果偏差小于一定阈值，那么就认为这个点是可信的点，取平均值作为最终的坐标。

用多视图还有一个好处，就是可以补偿阴影和遮挡，因为在一对匹配图中有遮挡，在另一对匹配图中可能就没有遮挡。

实验结果

借鉴

可以用本文提出的金字塔分层策略来缩小视差搜索范围，提高计算速度和降低内存占用。