《PatchMatch Stereo - Stereo Matching with Slanted Support Windows》
1. 研究问题
普通的局部立体匹配方法假设支持窗口内视差一致,存在正面平行的偏向,导致倾斜表面重建出现较大偏差。
2. 研究方法
基于PatchMatch,提出PatchMatch Stereo算法,首先为每个像素初始化一个倾斜视差平面,然后通过迭代的视差传播不断优化视差图,最后使用左右一致性检测、视差填充和加权中值滤波进行后处理。该方法还可以用于构建全局方法的数据项,并消除正面平行的偏向。
模型
PatchMatch推理视差平面
后处理
建立全局算法的数据项
可以用PatchMatch stereo建立全局算法的数据项,然后使用α−expansion\alpha-expansionα−expansion算法进行全局优化,由于倾斜表面的使用,全局算法可以克服正面平行的误匹配。这部分没有怎么研究。
注:全局算法可以在优化过程中直接处理遮挡和无纹理问题。
3. 实验结果
局部算法
全局算法
4. 结论
(1)提出PatchMatch stereo局部算法,可以计算每个像素的视差平面,视差精度达到亚像素并且在Middlebury上表现优异。
(2)倾斜窗口可以用于构建全局全局算法的数据项,从而更好的处理遮挡问题。
5. 启发
PatchMatch可以有效的缩小视差搜索空间。
《PatchMatch Stereo - Stereo Matching with Slanted Support Windows》相关推荐
- 论文阅读《PatchMatch Stereo - Stereo Matching with Slanted Support Windows》(PMS-双目立体匹配)
论文地址:PatchMatch Stereo - Stereo Matching with Slanted Support Windows 问题提出 局部匹配方法在计算匹配代价中是基于Fronto ...
- 论文阅读笔记:《PatchMatch Stereo - Stereo Matching with Slanted Support Windows》
论文下载: PatchMatch Stereo - Stereo Matching with Slanted Support Windows 摘要 1.1 思路 像素区域可以用近似的平面来模拟. ( ...
- 论文阅读笔记《PatchMatch Stereo - Stereo Matching with Slanted Support Windows》
摘要 介绍 算法 1 模型 2 通过PatchMatch方法来计算视差 3 后处理 4 为全局方法建立一个数据项 实验结果 摘要 一般的局部立体方法是在一个具有整型数值视差的支持窗口中进行匹配.其中隐 ...
- 【论文阅读】12-PatchMatch Stereo - Stereo Matching with Slanted Support Windows
[论文阅读]12-PatchMatch Stereo - Stereo Matching with Slanted Support Windows 0 basic information 1 aims ...
- PatchMatch Stereo - Stereo Matching with Slanted Support Windows
Tips MVS: Multi-View Stereo Abstract 思路:一般的局部立体方法是一个具有整形数值视察(disparity)的支持镜头进行匹配,其中有一个隐藏的假设:再支持区域的像素 ...
- (PatchMatch )PatchMatch Stereo - Stereo Matching with Slanted Support Windows中关于fronto-parallel的理解
读这篇文章的时候,没有理解fronto-parallel是什么,无意中发现这篇博客,阐述的很好 后续我会把我整理的比较经典的双目匹配论文及相关代码发布出来
- 【理论恒叨】【立体匹配系列】经典PatchMatch: (1)Slanted support windows倾斜支持窗模型
一枝独秀不是春 理论恒叨系列 [理论恒叨][立体匹配系列]经典PatchMatch: (1)Slanted support windows倾斜支持窗模型 [理论恒叨][立体匹配系列]经典PatchMa ...
- 《XNA高级编程:Xbox 360和Windows》3-6
3.6 StringHelper类 StringHelper类是最大的辅助类之一,估计它是我写的第一个辅助类,因为针对字符串的处理操作非常多,很容易就可以想到一些方法来改善性能,更容易地处理字符串列表 ...
- 《Hidden Markov Map Matching Through Noise and Sparseness》读书笔记
摘要 Our test shows how the algorithm breaks down as the sampling rate of the GPS is reduced. We also ...
最新文章
- Linux课程第六天学习笔记
- 这是什么神仙公司?居然公布离职员工信息,还给差评?
- T-SQL和安全机制
- Dubbo 3.0 前瞻:重塑 Spring Cloud 服务治理
- 智能、弹性、易用:云时代的负载均衡之道
- Python深入05 装饰器
- 国土空间规划基数转换初探
- JS仿淘宝网顶部的导航菜单
- 【重大改革】吴恩达:孩子会识字后立马教她Python!
- java 变量存放在哪_Java全局变量存放在哪里?
- 如何在PDF中修改内容?这个方法免费编辑
- 铁蛋白-AHLL纳米颗粒|人表皮生长因子-铁蛋白重链亚基纳米粒子(EGF-5Cys-FTH1)|铁蛋白颗粒包载氯霉素Chloramphenicol-Ferritin
- 计算机主板电感有正负极么,功率电感有没有方向?正负极区分
- minigui输入法汉字的获取
- Quasi-globally Optimal and Near/True Real-time Vanishing Point Estimation in Manhattan World 论文阅读学习
- 腾讯云账号注册方法介绍
- iOS代码实现布局(三)—用CocoaPods导入第三方库Masonry
- 正则匹配文本中的括号
- 复杂场景下智能汽车目标检测心得体会
- python 因子分析 权重计算方法_【万矿新品】因子研究利器——WindAlpha