【理论恒叨】【立体匹配系列】经典SGM:(2)匹配代价计算之Census变换

理论恒叨系列

【理论恒叨】【立体匹配系列】经典SGM:(1)匹配代价计算之互信息(MI)
【理论恒叨】【立体匹配系列】经典SGM:(2)匹配代价计算之Census变换
【理论恒叨】【立体匹配系列】经典SGM:(3)代价聚合(Cost Aggregation)
【理论恒叨】【立体匹配系列】经典SGM:(4)视差计算、视差优化

【理论恒叨】【立体匹配系列】经典SGM:(2)匹配代价计算之Census变换

  上篇博客中,我们介绍了基于互信息的代价计算方法,由于基于互信息的匹配代价计算由于需要初始视差值,所以需要通过分层迭代的方式得到较为准确的匹配代价值,而且概率分布计算稍显复杂,这导致代价计算的效率并不高。学者Zabih和Woodfill 1 提出的基于Census变换法也被广泛用于匹配代价计算。Census变换是使用像素邻域内的局部灰度差异将像素灰度转换为比特串,思路非常简单,通过将邻域窗口(窗口大小为 n × m n×m n×m n n n m m m都为奇数)内的像素灰度值与窗口中心像素的灰度值进行比较,将比较得到的布尔值映射到一个比特串中,最后用比特串的值作为中心像素的Census变换值 C s C_s Cs,如公式1所示:

式1

其中, n ′ n' n m ′ m' m分别为不大于 n n n m m m的一半的最大整数, ⊕ ⊕ 为比特位的逐位连接运算, ξ ξ ξ运算则由公式2定义:

式2

基于Census变换的匹配代价计算方法是计算左右影像对应的两个像素的Census变换值的汉明(Hamming)距离,即

式3

  Hamming距离即两个比特串的对应位不相同的数量,计算方法为将两个比特串进行亦或运算,再统计亦或运算结果的比特位中不为1的个数。

  基于Census变换的匹配代价计算方法如图1所示,

图1 汉明距离示意图

  从图1可以看出,Census变换对整体的明暗变化并不敏感,因为是比较的相对灰度关系,所以即使左右影像亮度不一致,也能得到较好的匹配效果。

  Census相比互信息还具有并行度高的优点,因为Census变换值是局部窗口运算,所以每个像素可以独立运算,这个特性让其可以很好的设计多线程并行计算模型,无论是CPU并行还是GPU并行都能达到非常高的并行效率。

  在实际匹配过程中,简单的执行匹配代价计算并不能得到高质量的视差图,必须经过代价聚合步骤,聚合后的代价能够更准确地反应匹配相似度,下篇博客中,将为大家详解SGM的代价聚合步骤,查看请点击 >> link

附:
计算Census值及Hamming的代码:
Census值

uint8 gray_center= img_data[image_y *img_width + image_x];		// 中心像素值
// 遍历大小为2csh*2csw的窗口内邻域像素,逐一比较像素值与中心像素值的的大小,计算census值
uint32 census_value = 0u;
for (sint32 i = -csh; i <= csh; i++) {
	for (sint32 j = -csw; j <= csw; j++) {
		census_value <<= 1;
		uint8 gray = img_data[(image_y + i)*img_width + image_x + j];
		if (gray < gray_center) {
			census_value += 1;
		}
	}
}
census[image_y *img_width + image_x] = census_value;		// 中心像素的census值

Hamming距离

// unsigned to 32bit
//计算hamming距离
uint32 hamDist32(const uint32& x, const uint32& y)
{
	uint32 dist = 0, val = x ^ y;

	// Count the number of set bits
	while (val)
	{
		++dist;
		val &= val - 1;
	}

	return dist;
}
码上教学系列

【恒叨立码】【码上实战】【立体匹配系列】经典SGM:(1)框架与类设计
【恒叨立码】【码上实战】【立体匹配系列】经典SGM:(2)代价计算
【恒叨立码】【码上实战】【立体匹配系列】经典SGM:(3)代价聚合
【恒叨立码】【码上实战】【立体匹配系列】经典SGM:(4)代价聚合2
【恒叨立码】【码上实战】【立体匹配系列】经典SGM:(5)视差优化
【恒叨立码】【码上实战】【立体匹配系列】经典SGM:(6)视差填充
【恒叨立码】【码上实战】【立体匹配系列】经典SGM:(7)弱纹理优化

完整代码已发布于Github开源项目:Github/SemiGlobalMatching,欢迎免费下载

博主简介:
Ethan Li 李迎松
武汉大学 摄影测量与遥感专业博士

主方向立体匹配、三维重建

2019年获测绘科技进步一等奖(省部级)

爱三维,爱分享,爱开源
GitHub: https://github.com/ethan-li-coding
邮箱:ethan.li.whu@gmail.com

个人微信:

欢迎交流!

喜欢博主的文章不妨关注一下博主的博客,感谢!
博客主页:https://blog.csdn.net/rs_lys


  1. ZABIH R, WOODFILL J. Non-parametric local transforms for computing visual correspondence[M]. 1994: 151-158. ↩︎

Ethan Li 李迎松 CSDN认证博客专家 立体视觉 工学博士 博客专家
武汉大学 摄影测量与遥感专业 博士
主方向立体匹配、三维重建
2019年国家测绘科技进步一等奖

个人微信号:EthanYs6,欢迎交流

我正在做一些立体视觉的代码开源工作,欢迎访问我的GitHub :
https://github.com/ethan-li-coding(欢迎follow和star)

知识的传播是无边界的,愿远隔千里的我们成为朋友!
相关推荐
©️2020 CSDN 皮肤主题: 酷酷鲨 设计师:CSDN官方博客 返回首页