（转载来自：http://blog.csdn.NET/wsj998689aa/article/details/44411215, 作者：迷雾forest）
1. 立体匹配概念
立体匹配的意思是基于同一场景得到的多张二维图，还原场景的三维信息，一般采用的图像是双目图像，如下所示，第一幅图和第二幅图分别是双目相机得到的左图和右图，第三幅图就是视差图，一看就知道，这就是场景三维图像。
左图 右图 视差图
目前，立体匹配领域，主要有两个评测网站，一个是KITTI（http://www.cvlibs.net/datasets/kitti/eval_stereo_flow.php?benchmark=stereo），另一个是middlebury（http://vision.middlebury.edu/stereo/），两个网站上的算法都交叉，但是又不完全一样，相对来说，KITTI更好一点，对算法的性能评测更好，虽然时间测算的并不准确（CSCA竟然要140s，太离谱了）
。
下面说说立体匹配最基本的步骤：
1）代价计算。计算左图一个像素和右图一个像素之间的代价。
2）代价聚合。一般基于点之间的匹配很容易受噪声的影响，往往真实匹配的像素的代价并不是最低。所以有必要在点的周围建立一个window，让像素块和像素块之间进行比较，这样肯定靠谱些。代价聚合往往是局部算法或者半全局算法才会使用，全局算法抛弃了window，采用基于全图信息的方式建立能量函数。
3）深度赋值。这一步可以区分局部算法与全局算法，局部算法直接优化代价聚合模型。而全局算法，要建立一个能量函数，能量函数的数据项往往就是代价聚合公式，例如DoubleBP。输出的是一个粗略的视差图。
4）结果优化。对上一步得到的粗估计的视差图进行精确计算，策略有很多，例如plane fitting，BP，动态规划等。这里不再熬述。
根据我的理解，可以看作为一种全局算法框架，通过融合现有的局部算法，大幅的提高了算法效果。
2. 论文贡献
文献《Cross-Scale Cost Aggregation for Stereo Matching》有三大贡献，第一，
设计了一种一般化的代价聚合模型，可将现有算法作为其特例。第二，考虑到了多尺度交互（multi-scaleinteraction），形式化为正则化项，应用于代价聚合（costaggregation）。第三，提出一种框架，可以融合现有多种立体匹配算法。
本文一直强调利用了不同尺度图像“间”的信息，不同于一般的立体匹配算法，只采用了同样尺度下，图像的“内”部结构信息，CSCA利用了多尺度信息，多尺度从何而来？其实说到底，就是简单的对图像进行高斯下采样，得到的多幅成对图像（一般是5副），就代表了多尺度信息。为什么作者会这么提，作者也是从生物学的角度来启发，他说人类就是这么一个由粗到精的观察习惯（coarse-to-line）。生物学好奇妙！
该文献生成的稠密的视差图，基本方法也是逐像素的（pixelwise），
分别对每个像素计算视差值，
并没有采用惯用的图像分割预处理手段，如此看来运算量还是比较可观的。
3. 算法流程
算法流程图如下所示：
其实，这篇文章的论述是很清晰的，上图是我根据自己的理解，画的一份算法流程图，下面我根据这份流程图，对文章脉络进行说明，对关键的公式进行解释。
1. 对左右两幅图像进行高斯下采样，得到多尺度图像。
2. 计算匹配代价，这个是基于当前像素点对的，通常代价计算这一步并不重要，主要方法有CEN，CG，GRD等几种，论文中给出了GRD，公式如下所示：
这个公式同时考虑到了颜色信息与梯度信息，i就是左图中的像素，il就是右图中的对应像素。
3. 匹配代价计算完毕，下一步就是代价聚合了，这也是本文的第一个贡献，文章建立了一个一般化的代价聚合模型，这个模型如下所示：
这个模型，神奇的地方在于，可以融合现有的多种代价聚合算法，比如the-state-of-art的NL，ST，BF，GF等，但是很遗憾，文章没有给出明确的推导公式，用以说明为什么上述代价聚合算法可以作为上述模型的特例，只有一大段的文字描述，缺乏有力的说服力。
解释一下这个一般化模型，它的目的是求解当前像素i的最小匹配代价，l为视差未知变量，j是像素i的邻域内的其他像素，K(i,j)就是像素i，j的相似度，这个相似度可以基于空间信息，也可以基于梯度，颜色信息，不同的核函数，就可以等价于不同的代价聚合算法。从另外一个角度解释一下，为何要z-C(j,l)？我认为这是基于两点假设，一个是左图右图匹配的越好，那么整体代价就越小。另一个是统一邻域内的像素深度值往往差不多。
上述模型的求解很容易，直接对z求偏导即可，形式如下：
这里，我尝试给出一个一般性的简单证明：
在DoubleBP中，所使用的代价函数叫做Birchfield and Tomasi’s pixel dissimilarity，基于它的代价聚合具体形式如下：
对比上面两个公式，很容易看出Zi就是下面公式的分母，也就是权值的均值，刚好和文献表述吻合，而C(j, l)就是d(Yl, Yr)，代表的是代价计算函数，核函数的具体形式如下所示，代表的是支持窗口内当前优化像素与其他像素的相似度。
4. 本文的第二个贡献，建立多尺度的代价聚合模型，我们注意上面介绍的模型的邻域N是在原始图像上的，并没有考虑到多尺度信息。
何为多尺度？其实就是不同模糊程度的图像，就好比一个人向你由远到近的走过来，最开始，你肯定只能看到一个模糊的人影，到你面前你就连五官都能看的很清晰了！
多尺度代价聚合模型如下所示：
上面的公式，每一个变量都多了个s，s就代表不同尺度的变量，由于每一项都是一个正数，求解就直接简化为单独对每一个尺度下的对应公式进行求解，如下所示：
5. 建立了多尺度代价模型之后还远远不够，多尺度之间的关系呢？这个必须考虑到啊，于是本文最猛的一个创新点诞生了，作者通过添加正则化项的方式，考了到了多尺度之间的关系，牛逼啊！
我解释一下这个正则化项，请看如下图示：
正则化项的意义在于：保持不同尺度下的，同一像素的代价一致，如果正则化因子越大，说明同一像素不同尺度之间的一致性约束越强，这会加强对低纹理区域的视差估计（低纹理区域视差难以估计，需要加强约束才行），但是副作用是使得其他区域的视差值估计不够精确。不同尺度之间最小代价用减法来体现，L2范式正则化相比较于L1正则化而言，对变量的平滑性约束更加明显，关于这点可以参考我之前的博客（http://blog.csdn.net/wsj998689aa/article/details/39547771）
求解方法也很简单，直接对z求偏导即可，如下：
令偏导等于零，可以建立各个尺度下的线性关系，将各个尺度下的线性关系形式化为矩阵方程形式，很容易得到如下解公式：
6. 得到最小代价公式后，下一步就是将每一个视差值代入上式，选择最小的那个代价对应的视差值为当前像素视差值，这竟然也被称呼为一个算法（winner-takes-all），并且几乎每篇stereo matching文献都要提，感觉瞎扯淡啊。
4. 实验效果
实验效果其实没什么好说的了，大家去看看论文里面就知道了，我直说一点，该文献虽然在middlebury上找不到，但是也的确和middlebury上的算法进行了比较，比如NL,ST，BF，GF等，我也很奇怪，为何middlebury上没有CSCA？
看得出来，算法的效果还是很明显的，我在实际的双目图像上也测试过，效果的确很好。再来说说运行时间，在KITTI评测网站上，CSCA上给出的时间竟然有140s，而最快的算法运行时间只要0.2s！！！这也差距太大了吧，抱着怀疑的态度，我实验了一下，结果发现，在“CEN+ST+WM”组合下，在640p的图像上，运行时间需要6.9s，在320p的图像上，运行时间为2.1s，在160p上，需要0.43s。140s从何而来呢？从上面的表格中也可以看出，S+GF也只需要1.32s，KITTI采用的就是S+GF的组合方式。
5. 总结
1）CSCA是一个优秀的立体匹配算法，它的性价比，综合来说是比较高的，并且CSCA只是一个框架，言外之意，我们可以根据框架的思想自己创建新的算法，说不定能够获取更好的性能。
2) CSCA最可贵的是，提供了详细的源代码，在文献中提示的地址就可以下载到，为作者这种诚实的，敢于开源的精神点赞！
3）我认为CSCA是一个多尺度的局部算法，还不应该归类为全局算法的类别，这种多尺度思想，我想在今后的工作中会有越来越多的研究人员继续深入研究