《Stereo Disparity through Cost Aggregation with Guided Filter》（2014）

本文将引导滤波器用于立体匹配中的代价聚合一步，以下将本文分为常规的立体匹配四步来分析。

1、匹配代价

在像素与像素的比较中，采用像素之间的颜色绝对差值（AD）值及x方向上的梯度值来比较

2、代价聚合

引导滤波器的原理不再赘述

（详见https://blog.csdn.net/shan54321/article/details/80597439）

由式（17）可知，在i的邻域中像素j具有相似的颜色强度在q(i)值中有更强的权重。

3、视差计算

视差值的计算通常采用WTA策略：

 

4、视差优化

第一步：左右一致化检测

第二步：插值过程

对前一步已经校正的像素赋予像素值，对于较远的物体，采用的视差值是通过搜索最近点的无遮挡的像素（在同一条线上）的视差值。对于距离更远的物体有更高的视差值。

简单的填充会产生条纹线伪影，应该用中值滤波器，做可以用来保护边缘的滤波器，做平滑处理。

双边滤波器的权重式（31）得到：

最后的视差为：

算法流程：

1、匹配代价计算及代价聚合

2、左右一致性检测

3、深度图插值

 

自适应窗口方法：

本文在深度图上的有效提高依靠于使用引导滤波器，引导滤波器可以自适应权重，自适应地对每个像素加上不同的权重。

在立体匹配算法中聚合窗口的选择对结果的影响很大，窗口必须足够大以避免低噪比，但是，太大时，它们会覆盖深度变化很大的区域，在深度不连续区域，容易引起投影失真。

      其中一种方法是，根据像素决定窗口的大小，窗口大小取决于像素强度和视差的局部变化。但是这种方法很依赖于初始视差的估计。

      另一种方法是，调整窗口形状以适应不连续的形状。

      一个新的自适应窗口方法提出，使用平方加权窗口。 对于每个像素，计算权重以使得仅感兴趣的相邻像素（即属于同一对象）具有较高的权重。 由于格式塔原则声明基于相似性和邻近度的分组规则是最强的，因此权重应该取决于颜色相似性和空间邻近性。

      对于自适应窗口的方法，双边滤波器的计算量大，而引导滤波有类似的效果和较低的复杂度。

 

实验：

实验比较后采用的参数：