以下將基於個人理解，分別從sgm的核心公式，代價計算步驟，代價聚集。由於筆者學識所限，如有錯漏或者理解錯誤的地方，敬請批評。
由於雜訊等因素，基於畫素的代價計算通常是不明確的，並錯誤匹配比正確匹配的代價更低。因此，增加了乙個附加的約束，通過懲罰相鄰差的變化來支援平滑性。畫素代價和平滑項約束可以用能量函式e(d)來表示，能量函式e(d)依賴於深度影象d：
第一項是視差為d的所有畫素匹配代價的總和，第二項為畫素p所有鄰近畫素q視差改變小於等於1的約束懲罰項p1，第三項為畫素p所有鄰近畫素q視差改變大於1的約束懲罰項p2。對視差變化小的使用較低的懲罰，調整對傾斜或彎曲表面的適應；對於視差變化大的懲罰來保留不連續的面，不連續性的面通常是可見的強度變化。通過採用p2來調整梯度強度，p2′ 為p2的初始值，一般設定為遠大於p2>p1。
的數。
立體匹配的問題現在可以歸結為尋找能使能量最小化的視差影象d的問題了，但是，在二維的影象中對於存在不連續的能量全域性最小化即是np完全問題(即多項式複雜程度的非確定性問題)。相比之下，利用dp可以在多項式有效地時間內實現影象單行(即一維)的最小化。但是，在二維影象中，很難將單個影象行的一維優化相互關聯。例如，在乙個方向(即影象行)上非常強的約束與在另乙個方向(即影象列)上沒有或較弱得約束結合在一起。
這就產生了將各個方向的匹配成本平均地聚集在一起的新思想。對於畫素p和視差d，聚合代價s是通過對各方向一維最小代價路徑的代價求和來計算的。
l『r(p,d)表示沿著某一路徑r遍歷視差為d的所有畫素p的代價，
第一項為資料項，匹配代價值c，第二項是平滑項，路徑上前乙個畫素p-r的最小代價包括對不連續性的適當懲罰。
l』的值沿路徑永久增加，可能會導致非常大的值。然而，可以通過減去減去前乙個畫素的最小路徑代價來改變。
這個修改不會改變通過視差空間的實際路徑，因為對於乙個畫素p的所有視差，減去的值都是常數，因此，最小值的位置不會改變；然而，上限為
畫素的總路徑代價值s
s的上限很容易確定為s≤16(cmax +p2)，此時是16條路徑時。
c(p,d)是大小為w×h×d（w為影像寬度，h為影像高度，d則為事先給定的視差範圍）的三維矩陣來儲存每個畫素在視差範圍內每個視差下的匹配代價值。矩陣c通常稱為dsi（disparity space image），這個長方塊也是我們常說的視差空間。下圖為dsi的示意圖：
s(p,d)是乙個和c(p,d)大小一樣的三維矩陣，用來儲存每個畫素的聚合代價值。
MongoDB學習筆記（11） 聚合
mongodb中聚合 aggregate 主要用於處理資料 諸如統計平均值,求和等 並返回計算後的資料結果。有點類似sql語句中的 count mongodb中聚合的方法使用aggregate aggregate 方法的基本語法格式如下所示 db.collection name.aggregate ...
立體匹配演算法之引導濾波代價聚合
本文內容來自於2014年pauline tan以及 pascal monasse在ipol上發表的文章 stereo disparity through cost aggregation with guided filter 該文獻最主要的貢獻是在區域性立體匹配演算法中 提出了用引導濾波器進行 代價...
學習筆記 機器學習 1 1代價函式
目前在學習 coursera 的machine learning課程，決定做乙份筆記以便記錄學習情況。這是機器學習的 第一章第一節 cost function 代價函式 通過這一節的學習將會了解到以下兩個函式公式的含義 函式1.1.1 hypothesis h theta x theta 0 the...