给出一对来自校准相机对的立体图像，人们通常想要应用校正。正如Loop 和Zhang 所著的“计算立体视觉的单应性”（link）中所述：
一般情况下，极线不与坐标轴对齐， 不平行。这样的搜索非常耗时，因为我们必须 比较图像空间中斜线上的像素。这些类型的算法 如果极线是轴，则可以简化并提高效率 对齐和平行。这可以通过应用二维投影来实现 对每个图像进行变换或单应性。这个过程被称为 图像校正。对应于点特征的像素 校正后的图像对将位于同一水平扫描线上，并且 仅水平位移不同。
要进行 3D 重建，必须对图像运行匹配算法，以解决著名的 对应问题。
匹配算法应用于原始图像还是校正后的图像？ 事实上，校正引入的失真可能会导致模式识别失败，对吧？
请分享任何可用的参考资料。
大多数匹配算法（例如 opencv 中使用的“半全局块匹配”）需要校正立体图像对才能正常运行。 因此，将匹配算法应用于校正后的图像。
校正的实际作用是扭曲图像，使极线在两个图像中水平延伸。这意味着，两幅图像中的对象在校正后都位于一张垂直图像中。这样，匹配算法只需检查沿图像线的对应关系，而不是整个图像。
校正引入的“失真”通常仅由几何和仿射图像变换组成。图像经过变换，以便更好地对齐，因此匹配算法的模式识别在校正后性能更好。
更多信息的可能来源可以是“Hartley、Richard 和 Andrew Zisserman。计算机视觉中的多视图几何。剑桥大学出版社，2003 年。”