如何选择ⅣD是MPG算法的关键。因为由此可以很容易解释为什么需要进行多通道的 匹配。按多通道算法,首先在邛υ最大的通道(粗通道)中寻找特征点,并使左、右图中 的特征点相匹配得到低分辨率的景物深度图。粗通道时得到的信息被用来控制较细通道中特 征点的匹配。我们首先研究粗通道时特征点的匹配。如在左图中选择一个特征点A(图5.5), 它在右图中真正的匹配点是B。为寻找真正的匹配点,可先把A点的坐标传递到右图用X表 示。如已知最大的视差为dmax。那么围绕X建立一个dmax大小的搜索区。影响粗通道时特 征点匹配的因素分析如下: (1)搜索区内所有与A具有相同符号变化和过零点轮廓方向的过零点都被认为有可能 与A匹配,但在所有可能匹配中只有一个是真实的,其余都是假目标 (2)假目标的数量与搜索区的大小以及D的大小都有关。为此,Marr和 Poggio曾 经研究了过零点的统计分析,以确定滤波图象中相邻同符号过零点之间间距的概率分布。设 在图中某一过零点L与右图中某些一过零点R相匹配。Marr和 Poggio在随机点立体图象对 中得到的概率分布表明在R的"%间距内有另一个同符号过零点的概率低于0.05。这意味 着如果图象中这个区域的视差小于n,那么在:的范围内搜索时只发现正确的概率 是095。由此可知,如果要完全避免假目标问题,那么搜索区域的范围应限制在士%。 但 其发D 图5.5特征点的匹配 如把搜索区域的范围扩大到±D也是可以接受的。Marr和 Poggio证明,如果搜索区域扩 大到土H2D,所有匹配中的50%是正确和无多义性的。这意味着有的匹配是多义性的。一般 这样的匹配有两个。其中一个是收敛视差(在(Q,W2D)区域内):另一个是发散视差(在 (-2D,0)区域内)。这两个匹配中的一个是正确的。在有多义性的情况下,可利用相邻非 多义性匹配的视差符号来确定那一个是正确的匹配。根据连续性约束,应取视差符号相同的 匹配。这样可取W2D大致等于dmax (3)取两2D=dmax后,我们在dmax的距离内只能得到一个点的深度值。这只表示景物 在粗通道时的深度图94 如何选择 W2D 是 MPG 算法的关键。因为由此可以很容易解释为什么需要进行多通道的 匹配。按多通道算法，首先在 W2D 最大的通道（粗通道）中寻找特征点，并使左、右图中 的特征点相匹配得到低分辨率的景物深度图。粗通道时得到的信息被用来控制较细通道中特 征点的匹配。我们首先研究粗通道时特征点的匹配。如在左图中选择一个特征点 A（图 5.5）， 它在右图中真正的匹配点是 B。为寻找真正的匹配点，可先把 A 点的坐标传递到右图用 X 表 示。如已知最大的视差为 dmax。那么围绕 X 建立一个 dmax 大小的搜索区。影响粗通道时特 征点匹配的因素分析如下： (1) 搜索区内所有与Ａ具有相同符号变化和过零点轮廓方向的过零点都被认为有可能 与Ａ匹配，但在所有可能匹配中只有一个是真实的，其余都是假目标。 (2) 假目标的数量与搜索区的大小以及 W2D 的大小都有关。为此，Marr 和 Poggio 曾 经研究了过零点的统计分析，以确定滤波图象中相邻同符号过零点之间间距的概率分布。设 在图中某一过零点 L 与右图中某些一过零点 R 相匹配。Marr 和 Poggio 在随机点立体图象对 中得到的概率分布表明在 R 的 W2D 2 间距内有另一个同符号过零点的概率低于 0.05。这意味 着如果图象中这个区域的视差小于 W2D 2 ，那么在  W2D 2 的范围内搜索时只发现正确的概率 是 0.95。由此可知，如果要完全避免假目标问题，那么搜索区域的范围应限制在  W2D 2 。 但 图 5.5 特征点的匹配 如把搜索区域的范围扩大到 W2D 也是可以接受的。Marr 和 Poggio 证明，如果搜索区域扩 大到 W2D ，所有匹配中的 50%是正确和无多义性的。这意味着有的匹配是多义性的。一般 这样的匹配有两个。其中一个是收敛视差（在 (0, W2D ) 区域内）；另一个是发散视差（在 (−W2D, 0) 区域内）。这两个匹配中的一个是正确的。在有多义性的情况下，可利用相邻非 多义性匹配的视差符号来确定那一个是正确的匹配。根据连续性约束，应取视差符号相同的 匹配。这样可取 W2D 大致等于 dmax。 (3) 取 W2D = d max 后，我们在 dmax 的距离内只能得到一个点的深度值。这只表示景物 在粗通道时的深度图