【理论恒叨】【立体匹配系列】经典PatchMatch: （3）后处理（一致性检查与视差填充）

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PatchMatch: （2）基于PatchMatch的视差估计
【理论恒叨】【立体匹配系列】经典PatchMatch: （3）后处理（一致性检查与视差填充）

PatchMatchStereo¹是Michael Bleyer等在2011年发表于British Machine Vision Conference（BMVC）上的一篇双目立体匹配算法文章，非常经典，倾斜支持窗的思路打破传统固定窗口式局部匹配的思维桎梏，在Middlebury数据集上获得非常好的匹配效果，一段时间内高居排行榜第一名。更难能可贵的是，它和SGM一样数据泛化能力出色，对大部分数据都能取得不错的结果，所以也被很多商业软件所实现，是真正能够产品化的算法。

本系列博主将为大家介绍经典的PatchMatchStereo（PMS）算法原理，希望能够对同学们的立体匹配算法研究有所帮助。

上篇博客中，博主介绍了PMS的视差估计方法：基于PatchMatch的视差估计法。本篇则是介绍PMS的后处理部分，顺便给PMS概述专题收尾。

PMS后处理

同大多数立体匹配算法一样，PMS的后处理一是常规操作：一致性检查和视差填充。

一致性检查

一致性检查的介绍自不必细说，还不太了解的请查看博主的另外两篇博客

【理论恒叨】【立体匹配系列】经典SGM：（4）视差计算、视差优化

【码上实战】【立体匹配系列】经典SGM：（5）视差优化

有一点特别的是，上篇博客提到PMS有一个视图传播，即左右视图同名点的视差平面的传播，这意味着如果执行视图传播，则右视图也需要和左视图一样执行一次随机+N次传播的步骤。我们执行右视图计算时，需要注意右视图的视差值依然等于左视图的列号减去右视图的列号，即$d=x_l-x_r$。

所有迭代传播完成后，计算左视图像素点$p$在右视图上的同名点$q=p-d_p$，判断$|d_p-d_q|<=1$是否成立，若不成立，则不满足一致性约束，将$p$点和$q$点的视差都赋为无效值。

视差填充

PMS的视差填充策略和SGM不一样，想了解SGM的填充策略的请查看博主前面的博客：

【码上实战】【立体匹配系列】经典SGM：（6）视差填充

PMS的策略是：
（1）搜索无效像素$p$左右最近的有效像素。记录它们的视差平面$f^l$和$f^r$。
（2）将像素$p$的坐标代入$f^l$和$f^r$，计算出视差，选择较小的那个视差作为$p$的视差值。选较小的含义是遮挡像素往往是出现在背景。（背景总是被前景遮挡，前景流氓做的大啊，挨近相机就是有优势！）

以上两个步骤可以为像素$p$填充一个视差值，但有个问题是这样做会产生水平线条纹，这个不难理解，此方法没考虑其他方向的视差，只考虑了水平方向的视差，肯定会有条纹效应（一般来说，只考虑单方向就会出现该单方向条纹，比如只考虑水平，就出现水平条纹）。

为了缓解这个问题，作者想了个办法，既然填充只考虑了单方向，那就再做个多方向滤波！

搞一个加权中值滤波！

中值滤波做图像处理的再熟悉不过了（不认识的面壁去吧！），加权中值滤波不过就是给窗口内每个格子一个权值，权值计算公式依旧是它：

什么，没见过？请看下篇：

【理论恒叨】【立体匹配系列】经典PatchMatch: （1）Slanted support windows倾斜支持窗模型

$\gamma$选择和前面一样的值，中值滤波的窗口和匹配时的窗口大小一样。（如果是时序传播，那这里的窗口就是三维的）

实验图

首先我们看论文中最大的一张实验图：（右边是实验分析）

另外贴一下PMS加入时序传播的视频立体匹配实验结果：（有趣的时序传播，但好像很少见到实际应用的？）

系列完结！大家有不懂的，可以留言给我。要代码的，等段时间，博主把代码教学篇奉上！

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：[email protected]

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. Bleyer M , Rhemann C , Rother C . PatchMatch Stereo - Stereo Matching with Slanted Support Windows[C]// British Machine Vision Conference 2011. ↩︎