基于互信息的匹配代价计算由于需要初始视差值，所以需要通过分层迭代的方式得到较为准确的匹配代价值，而且概率分布计算稍显复杂，这导致代价计算的效率并不高。学者Zabih和Woodfill 1 提出的基于Census变换法也被广泛用于匹配代价计算。Census变换是使用像素邻域内的局部灰度差异将像素灰度转换为比特串，思路非常简单，通过将邻域窗口（窗口大小为n×m，n和m都为奇数）内的像素灰度值与窗口中心像素的灰度值进行比较，将比较得到的布尔值映射到一个比特串中，最后用比特串的值作为中心像素的Census变换值Cs，如公式1所示：
式1
其中，n’和m’分别为不大于n和m的一半的最大整数，为比特位的逐位连接运算，ξ运算则由公式2定义：
式2
基于Census变换的匹配代价计算方法是计算左右影像对应的两个像素的Census变换值的汉明（Hamming）距离，即
式3
Hamming距离即两个比特串的对应位不相同的数量，计算方法为将两个比特串进行亦或运算，再统计亦或运算结果的比特位中不为1的个数。
基于Census变换的匹配代价计算方法如图1所示，
图1 汉明距离示意图
从图1可以看出，Census变换对整体的明暗变化并不敏感，因为是比较的相对灰度关系，所以即使左右影像亮度不一致，也能得到较好的匹配效果。
Census相比互信息还具有并行度高的优点，因为Census变换值是局部窗口运算，所以每个像素可以独立运算，这个特性让其可以很好的设计多线程并行计算模型，无论是CPU并行还是GPU并行都能达到非常高的并行效率。
在实际匹配过程中，简单的执行匹配代价计算并不能得到高质量的视差图，必须经过代价聚合步骤，聚合后的代价能够更准确地反应匹配相似度，下篇博客中，将为大家详解SGM的代价聚合步骤，查看请点击 >> link
（注：博主已经开始写SGM编码博客啦，感兴趣的可以关注博客手把手教你编写SGM立体匹配代码（基于C++，Github同步更新））
附：
计算Census值及Hamming的代码：
Census值：
uint8 gray_center= img_data[image_y *img_width + image_x]; // 中心像素值
// 遍历大小为2csh*2csw的窗口内邻域像素，逐一比较像素值与中心像素值的的大小，计算census值
uint32 census_value = 0u;
for (sint32 i = -csh; i <= csh; i++) {
for (sint32 j = -csw; j <= csw; j++) {
census_value <<= 1;
uint8 gray = img_data[(image_y + i)*img_width + image_x + j];
if (gray < gray_center) {
census_value += 1;
}
}
}
census[image_y *img_width + image_x] = census_value; // 中心像素的census值
Hamming距离：
// unsigned to 32bit
//计算hamming距离
uint32 hamDist32(const uint32& x, const uint32& y)
{
uint32 dist = 0, val = x ^ y;
// Count the number of set bits
while (val)
{
++dist;
val &= val - 1;
}
return dist;
}
ZABIH R, WOODFILL J. Non-parametric local transforms for computing visual correspondence[M]. 1994: 151-158. ↩︎