Stereo matching using belief propagation(2003_PAMI)

将立体匹配问题看成是一个Markov network问题，并用bayes belief propagation求解

该markov network包含三个markov random filed

a smooth field for  depth/disparity

a line process for depth discontinuity

a binary process for occlusion.

立体匹配存在的困难

1.noise

2.textureless region

3.depth discontinuties

4.occlusions

计算matching cost的方法

1.squared intensity difference(SD)

2.absolute intensity difference [20]

3. normalized-cross correlation [28], [7]

4. binary matching cost [25], 

5.rank transform [35]

6.shifted absolute difference [3]

Q&A

1.什么是马尔科夫随机场

马尔可夫随机场（Markov Random Field）包含两层意思。

马尔可夫性质：它指的是一个随机变量序列按时间先后关系依次排开的时候，第N+1时刻的分布特性，与N时刻以前的随机变量的取值无关。拿天气来打个比方。如果我们假定天气是马尔可夫的，其意思就是我们假设今天的天气仅仅与昨天的天气存在概率上的关联，而与前天及前天以前的天气没有关系。其它如传染病和谣言的传播规律，就是马尔可夫的。

随机场：当给每一个位置中按照某种分布随机赋予相空间的一个值之后，其全体就叫做随机场。我们不妨拿种地来打个比方。其中有两个概念：位置（site），相空间（phase space）。“位置”好比是一亩亩农田；“相空间”好比是种的各种庄稼。我们可以给不同的地种上不同的庄稼，这就好比给随机场的每个“位置”，赋予相空间里不同的值。所以，俗气点说，随机场就是在哪块地里种什么庄稼的事情。

马尔可夫随机场：拿种地打比方，如果任何一块地里种的庄稼的种类仅仅与它邻近的地里种的庄稼的种类有关，与其它地方的庄稼的种类无关，那么这些地里种的庄稼的集合，就是一个马尔可夫随机场。

2.Belief progation

根据从上下左右四个方向传递的信息以及原信息构成的belieft来确定最佳disparity。其中，原信息与代价函数相关，上下左右四个方向的信息主要是平滑 系数，梯度图的值为0，表示邻域点与中心点为同一深度的可能性高，故而采用较小的平滑系数？

tsukuba，迭代50次。结果不错，可是异常费时，时间约为900多秒