聚焦堆栈数据受到视差维分辨率低的限制，导致由聚焦堆栈数据估计的视差的精度低、鲁棒性差。从聚焦堆栈数据的视差维频谱优化出发，引入聚焦堆栈视差维滤波器，提出基于视差维滤波的聚焦堆栈视差维超分辨方法，实现高精度的稠密视差估计。通过聚焦堆栈的频谱分析，选取巴特沃斯滤波作为视差维滤波器，实现聚焦堆栈数据高保真的视差维超分辨。利用视差维超分辨后的稠密聚焦堆栈，基于Robust focus volume regularization（RFV）算法实现稠密、高精度视差估计。模拟数据与实际数据实验结果表明：视差维滤波能够实现高效的视差维超分辨和高精度的稠密视差估计。

印刷电路板上连接PIN正位度检测是保证PCB电气可靠性的重要环节，其主要检测PIN缺针、共线度与高度。为满足生产实际需求，提出一种基于双目视觉的连接PIN正位度检测方法。首先，通过双目标定获取相机内外参数，实现图像立体校正；其次，根据先验的相对方位和给定的排列信息生成相应的栅格，基于栅格灰度阈值变化进行PIN缺失检测；然后，分别提取PIN在两个相机视野中对应的特征角点，基于视差原理进行针尖三维坐标计算，实现对PIN的排列共线度检测；最后，提出了基于特征提取的PIN相对高度检测方法，实现了对PIN的相对高度检测。实验结果验证了所提方法的有效性，PIN相对高度检测的平均耗时为125.4 ms，精度达99.535%，重复性精度在±0.05 mm内。

立木视差图是立木因子测量、三维重建的基础。结合立木图像特征，为解决自然环境下立木图像结构复杂、光照干扰大等因素导致获取高质量立木视差图困难的问题，提出一种基于改进的semi-global matching（SGM）算法的立木视差图生成方法。针对SGM算法在图像纹理较弱和光照不稳定时生成的视差图效果不佳的问题，提出改进Census变换，该变换将Census中心像素值用周围像素的中值替代，提高初始代价的可靠性；在代价聚合过程中使用均值漂移算法进行图像分割，使算法具有较强鲁棒性的同时还有效降低了对重复和弱纹理区域的误匹配率。最后，分别采用自适应窗口填充无效值、中值滤波剔除不可靠视差值，使视差不连续的区域也能获得准确的视差值。在Middlebury公共数据集上对所提方法进行验证，所提方法的平均误匹配率约为5.23%，较传统的semi-global block matching（SGBM）算法、Boyer-Moore（BM）算法、SGM算法，分别提升9.47个百分点、9.345个百分点、8.96个百分点。自然环境下，所提改进的SGM算法可生成较高精确度的立木视差图。

视差估计是计算成像领域中的重要技术手段。给出由傅里叶视差层（FDL）重建场景深度信息的计算框架，基于FDL的表达方式给出在光场变换域中解构场景的视差层（DL），进而实现视差重建的新方法。利用光场数据重构出FDL，对FDL进行傅里叶逆变换得到对应的DL，利用归一化互相关（NCC）来度量DL图像与中心视图像素点之间的相关性，实现场景视差的准确重建。模拟数据实验和实际数据实验的结果表明，所提方法能够有效地进行场景的精确视差重建。

为提升半全局匹配（SGM）算法效率，提出一种基于改进匹配代价计算和路径优化策略的立体匹配算法。代价计算阶段，通过对角线取点方式对局部二值模式（LBP）算子进行优化，降低时间复杂度和数据规模；代价聚合阶段，根据聚合逻辑选择5个方向进行扫描线优化，结合灰度相似性约束和距离约束条件，对聚合路径进行自适应权重赋值；再通过赢者通吃（WTA）策略计算初始视差值，通过左右一致性检测和二次多项式插值算法对视差图作进一步优化。最后算法在Middlebury 2.0和3.0数据平台上进行匹配效率验证，实验结果表明，所提算法相比SGM算法在不损失匹配准确度的情况下，代价计算阶段用时减少63.1%，代价聚合阶段用时减少39.3%，算法整体效率提升54.2%，达到效率提升的目的。

在光场计算成像中，场景深度重建问题被转化为视差重建问题。通过引入YCbCr颜色空间光场数据实现了基于光场数据单体化的高效视差重建。在Y通道进行区域匹配可避免RGB三通道匹配的冗余计算，进而提高了匹配效率。在Cb、Cr通道进行单体化可实现单体边缘去遮挡和内部视差一致性约束，解决了遮挡区域和平滑区域的误匹配问题。Cb、Cr色度信息为单体化提供了有效聚类信息，将区域生长和二分法相结合实现了单体的精准分割。在单体边缘处，根据单体边缘选取匹配窗口的形状和可见视点，避免了边缘遮挡误匹配的出现。在单体内部中，基于视差一致性先验实现了视差图的优化。模拟数据实验和实际数据实验的结果表明，所提方法在纹理、遮挡和平滑区域均能实现精确重建，对遮挡区域的视差重建具有很强的鲁棒性。

立体匹配是双目视觉领域的重要研究方向。为在保证图片纹理区域匹配精度的同时降低弱纹理区域的误匹配率, 提出一种基于引导滤波及视差图融合的立体匹配方法。首先, 根据图像颜色相似性将图片划分为纹理较丰富区域和弱纹理区域。接着, 分别采用不同参数的引导滤波进行代价聚合及视差计算, 得到两张视差图。然后依据纹理区域划分的结果对获得的两张视差图进行融合。最后, 通过左右一致性检测、加权中值滤波等视差优化步骤得到最终视差图。对Middlebury测试平台上标准图像对的实验结果表明, 该方法在6组弱纹理图像上的平均误匹配率为9.67%, 较传统引导滤波立体匹配算法具有更高的匹配精度。

现如今用于立体匹配的深度学习算法都存在网络结构复杂、消耗大的问题。为解决此类问题,提出了一种参数量只有参考网络PSMNet一半的立体匹配端到端网络结构。所提结构在特征提取模块保留大致框架的同时,减少多余卷积层,并融合空间注意力机制和通道注意力机制来汇聚上下文信息;在代价计算模块,通过加大偏移步长减少视差计算输入的视差维度,使视差计算的参数量和消耗大幅度减少;在视差计算中,对匹配成本特征体的输出进行多视差预测;在L1损失函数的基础上加入交叉熵损失函数,这样可在降低消耗的同时保证了模型匹配精度。在KITTI数据集和SceneFlow数据集上对所提模型进行测试,实验结果表明:与基准方法相比,所提模型的参数量减少了58%,精度提升24%。