1、“.....以及使用邻域窗口内各个点为中心的邻域统计特征。简单地来说，我们采用的统计信息是基于点的邻域，以及该邻域的邻域进行的。当我们计算两者的综合信息并排序，我们有理由认为邻域内统计得分最高的点对，是下组可能的匹配点对。具体的标准，我们采用零均值归化互相关的变形来用于两幅图像的匹配点的传播。它具有局部线性不变性。其中，和是在给定的以为中心的窗口大程度上会存在着新的潜在的可能的匹配点对。因此，我们认为初始匹配点对周围的统计信息对于点的传播将会有很大的帮助，我们考虑使用点的邻域窗口内的统计信息，以及使用邻域窗口内各个点为中心的邻域统计特征。简单地来说，我们采用的统计信息是基于点的邻域，以及该邻域的邻域进行的。当我们计算两者的综合信息并排序，我们有理由认为邻域内统计得分最高的点对，是下组可能的匹配点对。具体的标准......”。

2、“.....它具有局部线性不变性。在低纹理区域具有稳定性。对于低纹理图像，如典型的多面体场景。我们可以预料，匹配区域由于不良的纹理会被减少到种子点的小邻域内，但非常有趣的是，传播沿着梯度边缘很好的生长，我们表明，如果透视失真是适度的情况下，那么在两幅图像中沿着边缘的距离是相似的。基于的整幅图像深度估计当我们得到两幅图像上对应的匹配点对共同构成，只有在两个方向上都保持好的匹配，才會被保留下来。这里，因为邻域的邻域信息会产生的影响要弱于邻域统计信息，因此，我们设定相应的比例以期望于更好的效果。所有初始经过交叉检查过的稀疏匹配点对，按相关性分数递减排序，用作接下来传播的种子点。每步中，由两个相对应像素和组成的匹配点对，其中得分最高的匹配从当前种子集合中挑选出来，然后我们在当前空间邻域内搜索新的可能的匹配。本文中，我们同时使用个平滑约束，称为维视差梯度约束。维视差梯度约束通常......”。

3、“.....但是在实际生活中，所得到的图像对，并不是简单的维上的偏差，我们可以认为，两幅图像在水平和垂直方向上均有偏差，所以，本文中，采用了在维空间上加以扩展的维梯度约束，用来处理未校准的图像对比如有着不正确极线约束的严格场景或者本身就是些不严格的场景下所得到的图像对基于匹配点传播的三维重建及深度估计算法论文原稿，我们假设在个超像素块内，图像的深度信息是趋于致的具体实现首先，我们统计每个超像素块内非空深度的值并求取平均值。搜索每个超像素块内的深度值为空的点，然后令其为第步计算得到的数值。重复上述两个步骤，直到结束。我们利用超像素分割和深度局部光滑性约束，实现了对整幅图像的深度估计。实验结果来看，不仅获得了所有位置的深度信息，同时也保证的深度信息基本可靠......”。

4、“.....以及与，等，算法的比较。从上到下，分别为和，从左到右分别为，原图分割图真实值算法结果算法结果算法结果以及本文的结果。评价指标为了定量地说明结果的好坏，本文给出了两种评价标准像像素的视差计算仅取决于在个窗口中的图像的强度颜色值。所有的局部算法都需要成本聚合，通常利用成本聚合来达到隐含的平滑性假设。另方面，全局算法提出明确的平滑性假设，然后解决个优化问题。这样的算法通常省略了成本聚合步骤，而是寻求个视差解决方案，最大限度地减少全局成本函数。流行的全局方法有动态规划，置信传播以及图分割。与局部算法不同的是，全局算法通过估计在其他像素的视差来估计个像素的视差。大多数的成本聚合方法可以被看作是成本量的联合过滤。实际上，即使是简单的线性图像过滤器，如方波或高斯滤波器也可以用于成本聚合，但作为各向同性的扩散滤波器，它们往往会导致在深度边界处出现模糊......”。

5、“.....如双边滤波器和图像引导滤波器被引入到成本聚合中。和将双边滤波器运用到成本聚合中，在数据集上产生了夺目的视差图，但是，他们的计算成本很高，的方法相比，我们的深度信息，是更加准确且真实的深度信息。本文的算法，对于两幅图像本身的要求也没有那么严格，可以是没有对准的图像对我们假设深度在超像素块内是保持局部致性的，并利用超像素块对深度图进步地恢复。通过实验表明，我们的方法是在精度上优于传统的立体匹配算法的，且适应性较强。但是，我们的算法在解决毫无纹理的区域块时，会受到限制，将会产生不好的结果，这也是我们后面将要考虑解决的问题。参考文献，基于匹配点传播的三维重建及深度估计算法论文原稿。为了解决计算问题，等提出引导滤波的使用，其计算复杂性取决于核大小。最近，等提出非局部成本聚合的方法，期望于核大小为整幅图像，通过在图上计算最小生成树，非局部成本聚合有着非常快的表现......”。

6、“.....使用分割树来强制视差致性，可以得到更好的视差图。然后再以这个中心去搜索其周围与其最相似的若干像素。反复迭代上述过程。算法接受个参数，用于指定生成的超像素数目，设原图有个像素，则分割后的每块约有个像素，每块超像素的连长大约为。开始时，每隔个像素取个聚类中心。然后以这个聚类中心的周围为其搜索空间。对于数据集中图的分割效果如图。整幅图像深度估计假设在个超像素块内，物体的深度信息是趋于致的，因此，我们在个超像素块内对深度信息进步的补全工作。作者簡介时连标，男，安徽省蚌埠市人。在读硕士。主要研究方向为计算机视频维重建目标识别。作者单位合肥工业大学屯溪路校区安徽省合肥市。然后再以这个中心去搜索其周围与其最相似的若干像素。反复迭代上述过程。算法接受个参数，用于指定生成的超像素数目，设原图有个像素，则分割后的每块约有个像素，每块超像素的连长大约为。开始时......”。

7、“.....然后以这个聚类中心的周围为其搜索空间。对于数据集中图的分割效果如图。整幅图像深度估计假设在个超像素块内，物体的深度信息是趋于致的，因此，我们在个超像素块内对深度信息进步的补全工作。和等提出了立体算法的分类和分类方案，他们将不同的立体算法分为两大类局部和全局算法。在局部算法中，个给定的们可以认为，两幅图像在水平和垂直方向上均有偏差，所以，本文中，采用了在维空间上加以扩展的维梯度约束，用来处理未校准的图像对比如有着不正确极线约束的严格场景或者本身就是些不严格的场景下所得到的图像对。置信测度置信测度的引入，是因为我们的传播方法需要计算匹配点对周围的统计信息，所以，我们期望于点对的周围是有梯度信息存在，这样才能使得我们的传播有可信度，我们的算法在完全没有纹理的区域是不能起作用的。基于匹配点传播的三维重建及深度估计算法论文原稿。我们假设在个超像素块内......”。

8、“.....我们统计每个超像素块内非空深度的值并求取平均值。搜索每个超像素块内的深度值为空的点，然后令其为第步计算得到的数值。重复上述两个步骤，直到结束。我们利用超像素分割和深度局部光滑性约束，实现了对整幅图像的深度估计。实验结果来看，不仅获得了所有位置的深度信息，同时，，也保证的深度信息基本可靠。实验结束与分析算法结果图为本算法处理多对测试图像得到的分割图和稠密视差图，以及与，等，算法的比较。从上到下，分别为和，从左到右分别为，原图分割图真实值算法结果算法结果算法结果以及本文的结果。评价指标为了定量地说明结果的好坏，本文给出了两种评价标准的对比结果。均方根誤差测量计算得到的深度值与真实深度值之间的均方根误差，具体公式如下匹配像素百分比测量匹配点占全部像素的百分比，即匹配误差超过可容忍的阈值的像素个数占全部像素个数的比重。其中，是视差可以容忍的阈值大小......”。

9、“.....总结我们的深度求解，是基于立体视觉和维重建等几何基础上提出的方法，与传基于匹配点传播的三维重建及深度估计算法论文原稿内像素亮度的均值，同理和是在给定的以以及为中心的窗口内像素亮度的均值。之后，用交叉致性来保证两个图像之间的匹配是对应的。交叉致性由像素从第幅图像到第幅图像的相关性以及第幅图像到第幅图像的相关性共同构成，只有在两个方向上都保持好的匹配，才會被保留下来。这里，因为邻域的邻域信息会产生的影响要弱于邻域统计信息，因此，我们设定相应的比例以期望于更好的效果。所有初始经过交叉检查过的稀疏匹配点对，按相关性分数递减排序，用作接下来传播的种子点。每步中，由两个相对应像素和组成的匹配点对，其中得分最高的匹配从当前种子集合中挑选出来，然后我们在当前空间邻域内搜索新的可能的匹配。本文中，我们同时使用个平滑约束，称为维视差梯度约束。维视差梯度约束通常......”。