文献阅读 A Pixel Dissimilarity Measure That Is Insensitive to Image Sampling

文章题目：A Pixel Dissimilarity Measure That Is Insensitive to Image Sampling

 

作者：Stan Birchfield and Carlo Tomasi 

 

废话篇：最近开始学习Stereo方面的有关知识，本想从目前比较新的算法搞起，但是发现前人的东西如果不懂，很多知识没有办法Get到作者的思路，不理解作者为什么会想到这个方法。所以开始学习Stereo的基础知识。

有幸读了《Stereo Vision:Algorithms and Applications》这篇文章，对于入门级别还是非常有帮助的。作者细致的列举了很多相关的参考文献，其实要想深入理解，这些文献也是很必须的，这篇文章是第一篇，希望有个好的开始，加油。

 

言归正传，这篇文章虽然是1998年的一篇化石级文章，但是在Stereo方面，还是一篇比较出名的作品。从题目上理解，本文主要是讲“像素不相关的方法，并且这对图像的采样不敏感”（翻译到这，想说，这是什么鬼。这个问题文章摘要解答）

摘要：由于图像的采样，传统的像素不相关的分配，即使在没有噪声和其他影响的情况下会导致两个对应的点会有一个很大的差值（敲黑板！这解释了文章的题目，因为Stereo是有left和right的两个相机，我们希望从这两个相机中，合成一个立体的图像，算出深度信息，然而，传统的方法，会造成这两个点有很大的差值，我们希望这两点差值尽量下，因为他们其实是不同相机拍摄的同一个点。所以，希望有这样一个方法，对图像的采样不明感，其实拍照就是一个采样的过程。）因此作者提出了一个相邻像素差值的方法，实验结果很好之类的。

Introduction

这部分我们只看重点

“Although this may not be a problem if one is only interested in finding the best match for a given pixel, it is a problem if a threshold is used to determine matching failure or if the dissimilarities between the pixels are added to other quantities” 

如果只是想找一个最匹配的点，这个方法可能不是那么需要，但是如果你需要判断阈值，或者匹配失败的数量等，这个方法就很适用。

从图中，看到和绝对值不同进行对比。

DEFINITION AND COMPUTATION OF DISSIMILARITY

这部分是整篇文章的重点，介绍本文提出的方法

本文的方法精髓是

 

IR，IL分别表示，理想采样设备下，获得的左右两幅图像的强度。参数XL和XR分别表示左、右两侧侧扫描线的位置，我们主要的目的是计算这两点的不相关性。

其中d非的计算如下图

这个公式出自本文作者上一篇文章《Depth Discontinuities by Pixel-to-Pixel Stereo》

推导过程感兴趣的小伙伴可以去了解一下，思路就是，如果假设左侧的图是待配准的，那么我们希望右侧摄像机的图像，尽可能的去跟左侧的图像匹配，这个相关性越小越好。因此，这个公式在于，如果当预测的值IL(XL)在区间Imax和Imin内，则这么相减，一定会得到两个个负数，这样，在这个区间上最大值选择就是0，然后在带入上个公式，改点会被选择。其实这种最优化选择，或者迭代的匹配，如果采用目前deepLearning 的方法，效果会好很多，这也是现在很多的算法都是基于DL的。