要求：对给出的左右视图进行匹配，最后输出左右两张disparity map（视差图）
e.g.
左视图、右视图（两幅图像大小相同，只有水平方向上的视角变换）
标准视差图如下：
SSD（sum of squared differences）实现：
1.把左右视图转成CV_8UC1单通道图像
可以直接引用opencv的API实现、自己写一个对三通道取平均值或者按照下面公式转换的函数，对结果影响不大
2.对每一个像素进行处理
假设dmax=79，则有，对于每个像素的每个d值，计算patch（滑动窗口）内左右视图的像素灰度值的平方差之和，然后记录该值与其对应的d值
此处可以用vector<pair<sum, d>>来存储结果
3. 取最小sum值对应的d做为最终输出的disparity map对应点的灰度值
result：5*5 窗口，坏点率分别为24,72%， 25.78%
NCC（normalized cross-correlation）实现：
1. 同样，先把左右视图转成单通道灰度图
2. 然后对于每个像素做处理，对于每个对应的d值，先计算分子，在计算分母，最后把分子/分母的值与对应d值存入vector中
3.取vector中最大值对应的d值为disparity map在该点的灰度值
result：5*5窗口 坏点率：23.64%， 24.20% 比SSD稍微好一点
ASW（Adaptive Support Weight）实现：
这个就按公式实现，比较简单，如果窗口足够大的话，ASW的处理效果会比较好，但是会很慢
但是中间计算Cpq值的时候主要要把BGR模型转换成Lab模型计算
result：5*5 窗口大小，坏点率：31.33% ， 31.39%
33*33窗口大小，坏点率：19.44% ， 20.75%（但是，跑了9242 seconds...可以自行感受一下...
代码实现：整理一下过两天贴上来。