基於互資訊的匹配代價計算由於需要初始視差值，所以需要通過分層迭代的方式得到較為準確的匹配代價值，而且概率分佈計算稍顯複雜，這導致代價計算的效率並不高。學者Zabih和Woodfill ¹ 提出的基於Census變換法也被廣泛用於匹配代價計算。Census變換是使用畫素鄰域內的區域性灰度差異將畫素灰度轉換為位元串，思路非常簡單，通過將鄰域視窗（視窗大小為n×m，n和m都為奇數）內的畫素灰度值與視窗中心畫素的灰度值進行比較，將比較得到的布林值對映到一個位元串中，最後用位元串的值作為中心畫素的Census變換值Cs，如公式1所示：

式1

其中，n’和m’分別為不大於n和m的一半的最大整數，為位元位的逐位連線運算，ξ運算則由公式2定義：

式2

基於Census變換的匹配代價計算方法是計算左右影像對應的兩個畫素的Census變換值的漢明（Hamming）距離，即

式3

  Hamming距離即兩個位元串的對應位不相同的數量，計算方法為將兩個位元串進行亦或運算，再統計亦或運算結果的位元位中不為1的個數。

  基於Census變換的匹配代價計算方法如圖1所示，

圖1 漢明距離示意圖

  從圖1可以看出，Census變換對整體的明暗變化並不敏感，因為是比較的相對灰度關係，所以即使左右影像亮度不一致，也能得到較好的匹配效果。

  Census相比互資訊還具有並行度高的優點，因為Census變換值是區域性視窗運算，所以每個畫素可以獨立運算，這個特性讓其可以很好的設計多執行緒平行計算模型，無論是CPU並行還是GPU並行都能達到非常高的並行效率。

  在實際匹配過程中，簡單的執行匹配代價計算並不能得到高質量的視差圖，必須經過代價聚合步驟，聚合後的代價能夠更準確地反應匹配相似度，下篇部落格中，將為大家詳解SGM的代價聚合步驟，檢視請點選 >> link