Geometrisches Stereo – Strukturelle Ansätze
Y
Z X
pl=Tl(X,Y,Z) pr=Tr(X,Y,Z)
Gliederung:
– Geometrisches Stereo vs. andere Methoden.
– Geometrische Grundlagen.
– Spezifizierung.
– Ähnlichkeitsmaße.
– Modellierung.
– Gar kein Modell – Block Matching Verfahren.
– „Einfache Modelle“ – zeilenweise Ansätze.
– „Kompliziertere Modelle“ – Aufgaben der Energieminimierung.
– Wahrscheinlichkeitmodelle.
– Zusammenfassung.
Geometrisches Stereo vs. andere Methoden
Geometrische Grundlagen
Optische Achse Optische
Achse
Bildschirm P=(X,Y,Z)
(x,y)
(x,y) Bildschirm
Linker
Rechter
Spezifizierung
Y
Z X
pl=Tl(X,Y,Z) pr=Tr(X,Y,Z) F
e t v
xL(v) xR(v)
Ähnlichkeitsmaße
r r r r
. . .
k=1 k=2
k=kmax . . .
pl pr
G
Gr Gl
A(pl,pr) = Il(pl)−Ir(pr)2
A(pl,pr) =
∑
4p∈F
[Il(pl +4p)−Ir(pr +4p)]2
A(pl,pr) =min
Cv
∑
4p∈F
[Il(pl +4p) +Cv−Ir(pr+4p)]2
A(pl,pr) = min
Cv,Cs
∑
4p∈F
[Il(pl +4p)·Cs+Cv −Ir(pr +4p)]2
A(pl,pr) =
Cvmin,Cs,Tr
∑
4p∈F
Il(pl +4p)·Cs+Cv−Ir Tr(pr +4p)2
Block Matching
Zeilenweise Ansätze
r r r
k=1 k=2
k=kmax . . . k=3 . . .
r r0
k=1 k=2 . . . k=kmax
e
f∗ = arg min
f
"
∑
n i=1qi(fi) +
∑
n i=2gi(fi, fi+1)
#
Energieminimierung
k=1 k=2 . . . k=kmax
r r r r
r r
e e
e e
e
g(k,k0) =
0 wenn |k−k0| ≤ δ
∞ sonst g(k,k0) = c·(k−k0)2 g(k,k0) =
0 wenn k = k0 a> 0 sonst
. . .
f∗ = arg min
f
h
∑
r∈R
qr f(r)
+
∑
(r,r0)∈E
g f(r), f(r0)i
Wahrscheinlichkeitsmodelle
Gibbssche Wahrscheinlichkeitsverteilung zweiter Ordnung:
P(f,X) = 1
Z
∏
(r,r0)∈E
grr0 f(r), f(r0)
·
∏
r∈R
qr f(r)
Das Problem kann als Aufgabe der Bayesschen Entscheidung formuliert werden:
d∗(X) =arg min
d∈D
∑
f
P(f|X)·C(d, f)
Zum Beispiel:
Die Menge der Entscheidungen ist die Menge der Labelings: D=KR. Die Ko- stenfunktion ist die Deltafunktion
C(d, f) =
0 wenn d = f 1 sonst
⇒
Maximum a-posteriori Entscheidung:
d = arg max
f
P(f|X) =arg max
f
P(f,X) =
= arg min
f
h
∑
(r,r0)∈E
˜
g f(r), f(r0)
+
∑
r∈R
˜
qr f(r)i mit ˜g(k,k0) = −ln g(k,k0) und ˜qr(k) =−ln qr(k).
Alternative:
Die Kostenfunktion ist eine additive Kostenfunk- tion der Art:
C(d, f) =
∑
r∈R
c d(r), f(r)
⇒
„Unabhängige“ Entscheidungen in jedem Knoten:
d∗(r) =arg min
d(r)
∑
k∈K
P f(r) =k|X
·c d(r),k
Die additive Deltafunktion:
c d(r), f(r)
=
0 wenn d(r) = f(r) 1 sonst
⇒
A-posteriori wahrscheinlichster Zustand:
d∗(r) =arg max
k∈K
P f(r) =k|X
Die quadratische Differenz:
c d(r), f(r)
= d(r)− f(r)2 ⇒
Erwartungswert des Zustandes:
d∗(r) =
∑
k∈K
P f(r) =k|X
·k
P f(r) =k|X
=
∑
f : f(r)=k
P(f|X)∼
∑
f : f(r)=k
h
∏
(r,r0)∈E
grr0 f(r), f(r0)
·
∏
r∈R
qr f(r)i
MAP-Entscheidung vs. additive Kostenfunktion