https://m.blog.naver.com/dldlsrb45/220879732646

영역 기반 정합 방법

Ⅰ. 영역 기반 정합 방법

스테레오 카메라에서 영역 기반 정합(Local Area-Based Matching) 방법은 특정 픽셀 주변의 작은 영역(블록 또는 윈도우)을 비교하여 대응점을 찾는 방식입니다. 이 중에서 SAD (Sum of Absolute Differences)와 SSD (Sum of Squared Differences)는 대표적인 비용 함수로, 두 이미지 간의 유사도를 측정하여 시차(disparity)를 계산하는 데 사용됩니다.

Ⅱ. SAD(Sum of Absolute Difference)

<aside> 💡 SAD는 두 이미지의 대응 영역에서 픽셀 값의 절대 차이 합을 계산하는 방식입니다. 대응하는 픽셀 간의 차이를 절대값으로 취하여 합산하며, 이 값이 작을수록 두 영역이 유사하다고 판단합니다.

</aside>

좌/우 윈도우 내 존재하는 픽셀들의 값의 차이에 절대값을 취한 후, 합산하여 정합 비용을 계산한다. 아래의 그림을 보면 쉽게 이해 가능하다.

1. 기준 영상(좌측 영상)의 한 점과 목표 영상(우측 영상)의 시차 탐색 범위(disparity search range) 내 존재하는 모든 픽셀에 대해 윈도우를 설정
2. 좌측 윈도우 하나와 시차 탐색 범위 내 설정된 윈도우들 각각에 대해 절대값 차이를 계산
   • (아래의 예시에서는 'dmax'와 'd0'에 대한 그림만 그려놓았지만, 실제로는 [max, 0 ] 범위 내 존재하는 픽셀에 씌어진 윈도우들에 대해서도 계산이 이루어져야함)
3. 윈도우들 끼리의 절대값 차이를 계산한 후, 각각의 윈도우들은 계산된 절대값 차이를 합산하는데, 이것을 정합 비용으로 사용
   1. ( 윈도우 내 픽셀 값들의 차이가 크면 클수록 유사하지 않다는 의미를 내포하고 있음)

SAD는 다음과 같은 수식으로 표현됩니다:

• 장점:
  • 구현이 간단하고 계산 속도가 빠릅니다.
  • 작은 차이에도 반응하며, 경계가 명확한 영역에서 유리합니다.
• 단점:
  • 조명 변화에 민감합니다. 조명이 다른 두 이미지에서는 오차가 발생할 가능성이 높습니다.
  • 텍스처가 부족한 영역에서 오차가 발생할 수 있습니다

Ⅲ. SSD(Sum of Squared Difference)

<aside> 💡 SSD는 두 이미지의 대응 영역에서 픽셀 값의 제곱 차이 합을 계산하는 방식입니다. 차이를 제곱하여 합산하기 때문에 큰 차이에 더 큰 가중치를 부여합니다. SSD 값이 작을수록 두 영역이 유사하다고 판단합니다.

</aside>

좌/우 윈도우 내 존재하는 픽셀들의 값의 차이에 제곱한 후, 합산하여 정합 비용을 계산한다. 아래의 그림을 보면 쉽게 이해 가능하다. (SAD와 거의 유사, 절대값이 아니라 제곱한다는 것만 차이가 있음)

※ 정합 비용을 계산하는 과정이 SAD와 거의 동일하기 때문에 따로 설명 안함