请引用这些论文： [1] S. Mukherjee和R. Guddeti，“使用加速框架在立体图像中基于深度的选择性模糊”，Springer-Verlag杂志“ 3D研究”，第1卷。 5，没有。 2014 年 3 月。 [2] S. Mukherjee 和 R. Guddeti，“基于立体视觉的稀疏视差估计的视差计算混合算法”，IEEE 第 10 届信号处理和通信国际会议 (SPCOM)，2014 年 7 月。 我的算法采用了一种快速的混合方法（基于块和区域的混合）从校正后的立体图像对进行立体视差估计。 对于来自 Middlebury 立体视觉数据集的三个标准基准图像（Tsukuba、Sawtooth 和 Venus），其错误率分别低至 7.8%、5.3% 和 4.7%，尺寸分别为 384x288、434x380 和 434x383 像素。 该算法在具有 Intel i7-2600 CPU

计算机立体视觉是从数字图像中提取 3D 信息。 在传统的立体视觉中，使用两个水平位移的相机以类似于人类视觉的方式获得场景的两个不同视图。 通过比较这两个图像，可以以视差的形式获得相对深度信息map，它对相应图像点的水平坐标差异进行编码。 该视差图中的值与相应像素位置的场景深度成反比。

利用VC结合OPENCV编写的图像匹配生成视差图像的程序。

立体匹配的标准图及其视差图sawtooth

标准图及其视差图poster

Kolmogorov and Zabih’s graph cuts stereo matching algorithm by Vladimir Kolmogorov and Pascal Monasse This software is linked to the IPOL article [1], which gives a detailed description of the algorithm.

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法.采用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.

内容我看了还行，大家分享一下吧，有的地方可能要该一下

资源中主要是两个ppt：相机成像原理和视差图、uv视差图，另外含有计算uv视差的代码。因为ppt里涉及到一些图和动画，本人不是ppt高手，做的很辛苦，所以象征性地收1个资源分~

仿Apple TV海报视差动画特效是一款基于jQuery CSS3 HTML5实现的电影海报跟随鼠标移动视差动画特效。