45
46
平均準確率已達到 87.9%，從結果圖 5.1(e)，5.2(e)，5.3(e)，5.4(e)與圖 5.1(f)，
5.2(f)，5.3(f)，5.4(f)做比較，遮蔽區域改善了很多(灰色的像素點少了很多)。
另外我們將做另一個實驗，將 RGB 色彩空間轉換到 YCrCb 色彩空間來估測深度 圖。YCrCb 色彩空間中的 Y 為顏色的亮度，CrCb 都代表色彩，Cb 代表藍色資訊，Cr 代表紅色資訊。由於 YCrCb 色彩空間通常運用於影片或是數位攝影系統中，而一對左 右眼影像估測深度資訊的研究中，輸入的左右影像也是由影片或是數位攝影系統中取 得。因此我們實驗將 RGB 色彩空間轉換到 YCrCb 色彩空間來估測深度圖，看結果是否 會有改善。公式(16)來做轉換，R 代表紅色元素，B 代表藍色元素，G 代表綠色元素。
YCrCb 色彩空間估測出來的深度圖在圖 5.5(c)。圖 5.5(d)為 Middlebury 網站上估測 出來錯誤的像素點(YCrCb 色彩空間估測出來的深度圖)，黑色的像素點代表非遮蔽區 域的錯誤，灰色的像素點代表遮蔽區域的錯誤。圖 5.5(a)為使用 RGB 色彩空間估測 出來的深度圖，圖 5.5(b)為 Middlebury 網站上估測出來錯誤的像素點(RGB 色彩空間 估測出來的深度圖)。從圖 5.5(b)跟圖 5.5(d)做比較，可以看得出來前面三組 Tsukuba 跟 Venus 跟 Teddy 影像，使用 RGB 色彩空間估測出來的效果比較好一點，而最後面 Cones 影像，RGB 色彩空間跟 YCrCb 色彩空間估測出來的效果差不多。
128
* 0813 . 0
* 4187 . 0
* 5 . 0
128
* 5 . 0
* 3313 . 0
* 1687 . 0
* 114 . 0
* 587 . 0
* 299 . 0
B G
R Cr
B G
R Cb
B G
R Y
(16)
表三為 Middlebury 網站計算出四組影像的錯誤率(使用 YCrCb 色彩空間估測出來 的深度圖)，第一項 nonocc 表示非遮蔽區域的錯誤率，第二項 all 表示整張影像的錯 誤率，第三項 discontinue 表示非連續區域的錯誤率，最後還有一項分數為四組測試 圖的平均錯誤率。可以從表二(使用 RGB 色彩空間估測出來的深度圖)跟表三(使用 YCrCb 色彩空間估測出來的深度圖)做比較，前三組影像(Tsukuba 跟 Venus 跟 Teddy) 是 RGB 色彩空間的效果比較好，三項分數(非遮蔽區域，整張影像，非連續區域)用 RGB 色彩空間估測的錯誤率比較低，而第四組影像(Cones)用 YCrCb 色彩空間估測的 錯誤率，只有非遮蔽區域跟非連續區域比較低一點，但是 YCrCb 色彩空間估測與 RGB
47
色彩空間估測的整張影像錯誤率一樣，都是 16.4%的錯誤率。所以以這四組測試影像 可以得知使用 RGB 色彩空間即可。
表四為跟別人的方法做比較，測試影像跟我們實驗的影像一樣，評分的方式也是 都由 Middlebury 網站做評分。第一個 RealTimeGPU[4] 的方法是用動態規劃為架構 來估測的，不過他的方法加入很多計算做考量，所以他的方法估測的時間要比較久一 點，如果估測 320*240 大小的影像大約需要 3.61~9.63 秒，不過他有使用 GPU(圖形 處理器)來幫忙計算，使用 GPU 與 CPU 平行運算，減少估測時間。而我們的方法評估 出來的前兩組影像(Tsukuba 跟 Venus)的整張錯誤率比 RealTimeGPU 方法還低，不過 另外兩組影像的錯誤率就比 RealTimeGPU 方法的高了。而第二個 TreeDP[5]的方法是 以原始動態規劃做改良的，使準確度更高，不過這的方法就沒有交代他的估測速度有 多快了。而我們的方法評估出來的後兩組影像(Teddy 跟 Cones)的整張錯誤率比 RealTimeGPU 方法還低，但是前兩組影像錯誤率就比他的高了。第四個 DP 的方法就 是原始的動態規劃的方法，我們的方法評估出來的四組影像的整張錯誤率都比 DP 的 還要低，而且四組平均錯誤率比 DP 的方法將近要低了 2%。而最後兩個方法一個是使 用 SSD 的方法架構來估測，另一個是以 SAD 的方法架構來估測，這兩組的估測的結果 並不好，正確率不高。
我們演算法的主要優點是不需要執行任何的切割運算，只需要簡單的邊緣偵測，
可以大量的減少運算時間。而我們直行時間大部分都花在線段的比對上面，我們執行 四組影像所花的時間分別是 0.359 秒，0.625 秒，1.281 秒，1.297 秒(Tsukuba，Venus，
Teddy，Cones)，改善的部分花不到 0.1 秒。而我們另一個特點，雖然我們的方法與 DP 相似也是以每一列分開來比對，但是，我們是以線段比對方式做比對，線段比對 的方式可以抑止條紋狀(streaking)效果，但是以線段比對的方式會造成遮蔽區域的 錯誤，所以我們用了三個方法將遮蔽的區域大幅做了改善，所以將遮蔽區域的錯誤大 量的減少。
48
(a) (b)
(c) (d)
(e) (f)
圖5.1 Tsukuba (a)為左影像，(b)影像為真實深度資訊影像，(c)為改善前估測出來 的深度影像，(d)為改善後估測出來的深度影像，(e)為改善前估測錯誤的像素點(錯 誤的視差值大於1以上)，(f) 為改善後估測錯誤的像素點(錯誤的視差值大於1以上)。
49
(a) (b)
(c) (d)
(e) (f)
圖5.2 Venus (a)為左影像，(b)影像為真實深度資訊影像，(c)為改善前估測出來的 深度影像，(d)為改善後估測出來的深度影像，(e)為改善前估測錯誤的像素點(錯誤 的視差值大於1以上)，(f) 為改善後估測錯誤的像素點(錯誤的視差值大於1以上)。
50
(a) (b)
(c) (d)
(e) (f)
圖5.3 Teddy (a)為左影像，(b)影像為真實深度資訊影像，(c)為改善前估測出來的 深度影像，(d)為改善後估測出來的深度影像，(e)為改善前估測錯誤的像素點(錯誤 的視差值大於1以上)，(f) 為改善後估測錯誤的像素點(錯誤的視差值大於1以上)。
51
(a) (b)
(c) (d)
(e) (f)
圖5.4 Cones (a)為左影像，(b)影像為真實深度資訊影像，(c)為改善前估測出來的 深度影像，(d)為改善後估測出來的深度影像，(e)為改善前估測錯誤的像素點(錯誤 的視差值大於1以上)，(f) 為改善後估測錯誤的像素點(錯誤的視差值大於1以上)。
52
(a) (b) (c) (d)
圖 5.5 (a)為RGB色彩空間估測出的深度圖，(b)為RGB估測出來深度圖的錯誤像素點 (錯誤的視差值大於1以上)，(c)為YCrCb色彩空間估測出的深度圖，(d)為YCrCb色彩
空間估測出來深度圖的錯誤像素點(錯誤的視差值大於1以上)。
53
表一. 我們由 Middlebury 資料庫上評分了改善前的四組圖，第一項分數為非遮蔽區 域的錯誤率，第二項分數為整張影像的錯誤率，第三項分數為非連續性的地方的錯誤 率。
nonocc all discontinue Average percent of bad pixels
Tsukuba 5.75 7.88 22.2
17.0 Venus 6.45 7.98 29.6
Teddy 15.3 24.0 32.5 cones 9.88 19.9 22.3
表二. 我們由 Middlebury 資料庫上評分了改善後的四組圖，第一項分數為非遮蔽區 域的錯誤率，第二項分數為整張影像的錯誤率，第三項分數為非連續性的地方的錯誤 率。
nonocc all discontinue Average percent of bad pixels
Tsukuba 2.54 3.22 12.7
12.1 Venus 1.98 2.83 11.1
Teddy 13.8 20.6 29.3 cones 9.61 16.4 21.2
54
表三. 由 Middlebury 資料庫上評分將 RGB 色彩空間轉換到 YCrCb 色彩空間後估測的 結果，第一項分數為非遮蔽區域的錯誤率，第二項分數為整張影像的錯誤率，第三項 分數為非連續性的地方的錯誤率。
nonocc all discontinue Average percent of bad pixels
Tsukuba 3.03 3.89 14.5
13.9 Venus 3.67 4.62 17.1
Teddy 17.3 24.6 32.8 cones 9.30 16.4 19.2
表四. 跟別人的方法做比較，第一項分數為非遮蔽區域的錯誤率，第二項分數為整張 影像的錯誤率，第三項分數為非連續性的地方的錯誤率。
Tsukuba Venus Teddy Cones Avg.
percent bad pixels nocc all disc nonocc all disc nonocc all disc nonocc all disc
RealTimeGP U[4]
2.05 4.22 10.6 1.92 2.98 20.3 7.23 14.4 17.6 6.41 13.7 16.5 9.82
TreeDP[5] 1.99 2.84 9.96 1.41 2.10 7.74 15.9 23.9 27.1 10.0 18.3 18.9 11.7 Our method 2.54 3.22 12.7 1.98 2.83 11.1 13.8 20.9 29.3 9.61 16.4 21.2 12.1 DP[11] 4.12 5.04 12.0 10.1 11.0 21.0 14.0 21.6 20.6 10.5 19.1 21.1 14.2 SSD+MF[11] 5.23 7.07 24.1 3.74 5.16 11.9 16.5 24.8 32.9 10.6 19.8 26.3 15.7
LCDM+Adaptw at[19]
5.98 7.84 22.2 14.5 15.4 35.9 20.8 27.3 38.3 8.90 17.2 20.0 19.5
55