4、基于特征的代价计算：Census变换、Rank变换、BRIEF描述子、Hamming距离计算
好，咱们进入第四章。前面几章我们聊了像素级的代价计算，比如AD、SAD这些。说白了，它们就是直接拿像素值做减法。但实际项目中你会发现，光照一变，或者相机增益不同，这些方法立马就崩了。
为什么会这样？因为像素值本身对光照太敏感了。你想想看，同一个物体，左边亮右边暗，左右图的像素值差一大截，代价计算自然不准。
所以，这一章我们聊聊基于特征的代价计算。核心思想很简单：不直接比像素值，而是比像素周围的局部结构特征。光照变了，但局部结构（比如明暗关系）通常不变。这就是它的抗噪、抗光照变化的底气所在。
核心观点：基于特征的代价计算，本质上是将像素值映射到一个对光照不敏感的特征空间，再在这个空间里计算匹配代价。
4.1 Census变换：局部二值模式
Census变换是我个人非常喜欢的一种方法。它简单、粗暴，但效果出奇的好。
它的做法是这样的：以一个像素为中心，取一个窗口（比如3x3或7x7）。然后，把窗口内每个邻居像素的灰度值与中心像素比较。如果邻居比中心亮，记为1；否则记为0。最后，把这些0和1按顺序串起来，形成一个二进制串。这个串就是该像素的Census特征。
举个例子，一个3x3窗口：
中心像素值：100
邻居像素值：
[ 90, 110, 95 ]
[ 85, 100, 120 ]
[ 105, 80, 115 ]
比较结果（大于中心为1，否则0）：
[ 0, 1, 0 ]
[ 0, 0, 1 ]
[ 1, 0, 1 ]
二进制串（按行优先）：0 1 0 0 0 1 1 0 1
十进制表示：0b010001101 = 141嗯，这里要注意：Census变换只关心相对大小，不关心绝对差值。所以光照整体变亮或变暗，只要局部明暗关系不变，Census值就不变。这就是它抗光照的秘诀。
我的经验：我在项目中遇到过光照剧烈变化的室外场景，用SAD基本没法看，换成Census后，匹配质量提升了一个档次。但Census也有缺点——它对重复纹理比较敏感，因为局部结构可能非常相似。
4.2 Rank变换：排序的力量
Rank变换和Census有点像，但思路更简洁。它不生成二进制串，而是直接统计窗口内有多少个邻居像素比中心像素小。这个数量就是Rank值。
还是上面那个3x3的例子：
邻居像素值：90, 110, 95, 85, 100, 120, 105, 80, 115
中心像素值：100
比100小的邻居：90, 95, 85, 80 → 共4个
所以Rank值 = 4你看，Rank变换把整个窗口压缩成了一个整数。这个整数反映了中心像素在局部区域的“排序位置”。
Rank变换的计算比Census更简单，但信息量也少一些。我个人习惯是：如果对速度要求极高，用Rank；如果对精度要求更高，用Census。
避坑指南：我曾经在纹理稀疏区域吃过亏。Rank变换在平坦区域（所有像素值都差不多）会失效，因为Rank值几乎都一样，区分度极差。这时候需要结合其他代价方法一起用。
4.3 BRIEF描述子：更紧凑的二进制特征
BRIEF（Binary Robust Independent Elementary Features）是特征描述子领域的一个经典方法。它和Census的思路类似，但更灵活。
BRIEF的做法是：在像素周围随机选取N对点（比如256对），比较每对点中两个像素的灰度值。如果第一个比第二个亮，记为1，否则记为0。最终得到一个N位的二进制串。
和Census相比，BRIEF有两个关键区别：
- 采样模式不同：Census用固定窗口内的所有邻居，BRIEF用随机点对
- 比较对象不同：Census是中心vs邻居，BRIEF是邻居vs邻居
BRIEF的随机采样让它对局部结构有更强的描述能力，但同时也引入了随机性。实际应用中，通常会用高斯分布来指导采样点的位置，让靠近中心的点更密集。
// 伪代码：BRIEF描述子生成
function computeBRIEF(image, x, y, pointPairs):
descriptor = 0
for i = 0 to N-1:
p1 = pointPairs[i].first
p2 = pointPairs[i].second
if image[y+p1.y][x+p1.x] > image[y+p2.y][x+p2.x]:
descriptor |= (1 << i) // 第i位置1
return descriptor我的建议：BRIEF在立体匹配中不如Census常用，因为它的随机性导致特征不够稳定。但如果你在做特征点匹配（比如ORB-SLAM），BRIEF就是标配了。
4.4 Hamming距离：二进制特征的匹配利器
好，特征算出来了，怎么比较两个特征的相似度呢？对于二进制特征（Census、BRIEF），最自然的度量就是Hamming距离。
Hamming距离的定义很简单：两个等长二进制串之间，对应位不同的个数。
比如：
串A: 1 0 1 1 0 0 1
串B: 1 1 0 1 0 1 1
不同位：第2位、第3位、第6位 → 共3位不同
所以Hamming距离 = 3在计算机中，计算Hamming距离有一个非常高效的指令：POPCNT（population count），也就是统计一个整数中1的个数。两个二进制串的Hamming距离，就等于它们异或（XOR）后结果中1的个数。
// C++实现：计算两个Census特征的Hamming距离
int hammingDistance(uint64_t a, uint64_t b) {
return __builtin_popcountll(a ^ b); // GCC内置函数
}这个操作在CPU上是一条指令完成的，速度极快。这也是为什么基于特征的代价计算在实际系统中非常受欢迎——计算快，抗干扰强。
关键点：Hamming距离越小，两个特征越相似。在立体匹配中，我们通常选择Hamming距离最小的候选点作为匹配点。
4.5 本章知识体系
为了让你更直观地理解这几种方法的关系，我画了一张图：
4.6 实战对比：什么时候用哪个？
说了这么多，你可能想问：实际项目中到底选哪个？我根据自己的经验，整理了一个对比表：
| 方法 | 抗光照能力 | 计算速度 | 抗噪声能力 | 适用场景 |
|---|---|---|---|---|
| Census变换 | ★★★★★ | ★★★★ | ★★★★ | 光照变化大的室外场景 |
| Rank变换 | ★★★★ | ★★★★★ | ★★★ | 对速度要求极高的嵌入式系统 |
| BRIEF描述子 | ★★★★ | ★★★ | ★★★ | 特征点匹配（非密集匹配） |
我的经验：如果你刚开始做立体匹配，我建议从Census入手。它是最平衡的选择，网上资料也多。等你把Census吃透了，再根据实际需求去尝试Rank或BRIEF。
好了，这一章的内容就到这里。基于特征的代价计算，说白了就是用局部结构信息代替原始像素值，从而获得对光照变化的鲁棒性。Census、Rank、BRIEF各有千秋，但核心思想是一致的。而Hamming距离，则是连接这些二进制特征与匹配代价的桥梁。
公众号:蓝海资料掘金营，微信deep3321