点击上方“计算机视觉life”,选择“星标”
快速获得最新干货
作者李迎松授权发布,武汉大学 摄影测量与遥感专业 博士
https://ethanli.blog.csdn.net/article/details/105065660
详解立体匹配系列经典SGM: (1) 框架与类设计详解立体匹配系列经典SGM: (2) 代价计算详解立体匹配系列经典SGM: (3) 代价聚合详解立体匹配系列经典SGM: (4) 视差计算、视差优化详解立体匹配系列经典SGM: (5) 视差优化详解立体匹配系列经典SGM: (6) 视差填充 代码已同步于Github开源项目:https://github.com/ethan-li-coding/SemiGlobalMatching
如前所述,SGM是一个优化的算法,源自两篇优秀的论文,作者Hirschmüller在2005年于TOP期刊PAMI上第一次发表SGM算法,又在2008年的顶会CVPR上再次发表,而CVPR上发表的和此前PAMI上的区别就在于增加了很多后处理步骤,博主自第五篇开始介绍的内容都来自于2008年的论文。很惭愧,博主自2014年开始接触SGM,开始并没有有完全读懂,后处理部分只是选择性的实现几项并再未静下心来认真阅读原文,直至今日,才对2008年的论文有一个完整的了解,感觉再次收货良多,如重拾旧友,倍感亲切。
三个假设
在弱纹理优化之前,作者提出三个假设,这三个假设至关重要,它是优化方法的理论依据,我们来看看原文如何描述:
Discontinuities in the disparity image do not occur within untextured areas.
On the same physical surface as the untextured area is also some texture visible.
The surface of the untextured area can be approximated by a plane.