想要实现以下逻辑，如何实现呢？
两两一组
AB,(29.33+19.22)
AC,(29.33+25.81)
.....
BC,(19.22+25.81)
....
CD,(25.81+16.79)
....
EF,(20.78+25.32)
三三一组
ABC,(29.33+19.22+25.81)
ABD,(29.33+19.22+25.81)
.....
ACD,(29.33+25.81+16.79)
.....
BCD,(19.22+25.81+16.79)
.....
-- 3个
select t1.gname,t2.gname,t3.gname,concat(t1.gname,'+',t2.gname,'+',t3.gname,'=',t1.amt + t2.amt + t3.amt)
from test_20210402 t1
join test_20210402 t2
join test_20210402 t3
where t1.gname < t2.gname
and t2.gname < t3.gname
order by t1.gname,t2.gname,t3.gname;
-- 4个
select t1.gname,t2.gname,t3.gname,t4.gname,concat(t1.gname,'+',t2.gname,'+',t3.gname,'+',t4.gname,'=',t1.amt + t2.amt + t3.amt + t4.amt)
from test_20210402 t1
join test_20210402 t2
join test_20210402 t3
join test_20210402 t4
where t1.gname < t2.gname
and t2.gname < t3.gname
and t3.gname < t4.gname
order by t1.gname,t2.gname,t3.gname,t4.gname;
必读0
必读1
opencv的视差转深度图计算方法－官方文档
来自知乎的：立体视觉书籍推荐&立体匹配十大概念综述—立体匹配算法介绍
SSD：OpenCV的匹配，默认就是像素差的平方和再开根号，官方doc的Norn_L2可以去看看。（这两个还是不一样的，只是这两种方式都有共性，就是距离函数嘛。。实测距离函数，欧氏距离或者SSD会好一些，其他的看情况，更改距离判断函数提升的效果远没有优化方案优化特征提取效果好，当然，距离函数也要选对，不是说它完全不重要（括号里的是我自己多次尝试得出的经验，一家之言谨慎参考））
来自知乎的：基于深度学习的双目匹配和视差估计，写文章可以放到综述，我真机智。
来自知乎的：关于双目摄像头深度测量精度分析，简单说就是越远精度越差，毕竟像素密度有采样误差。这个可以不看，需要实验精度分析时候可以参考下。
来自知乎的：基于双目视觉的自动驾驶技术，这段有想法：
这是一个利用路上标志线（斑马线）的标定方法：已知斑马线的平行线模式，检测斑马线并提取角点，计算斑马线模式和路面实现匹配的单映性变换（Homography）参数，得到标定参数。
我：运动中的图像采集场景需要考虑运动模糊，而且，相机多数都是采用行扫描的方式，在运动中对两侧场景可能会存在运动变形，工业相机有自己的相机CMOS的cache，没有cache的相机需要考虑图像采集效果，两侧场景可能用列扫描的方式更好些。
来自知乎的一个作者的系列文章，内容一般，但是有比较系统的讲解，后两个介绍了别人的论文，质量可以，该有的都有
StereoVision–立体视觉（1）
StereoVision–立体视觉（2）
StereoVision–立体视觉（3）
StereoVision–立体视觉（4）
《Cross Scale Cost Aggregation for Stereo Matching》，这里简称为CSCA，这是一篇2014年的CVPR的文章，Github链接
StereoVision–立体视觉（5）
《A Non-Local Cost Aggregation Method for Stereo Matching》Key Word：Minimum spanning tree:MST 最小生成树
BM，SGBM，GC，SAD:代价计算与代价聚合不一样而已。OpenCV也有实现。
另一个对上面的介绍
真实场景的双目立体匹配获取深度图详解，OpenCV极限校正、SGBM实现，讲了具体实现，没有原理，只是OpenCV的API调用。实验可以参考。
CVPR2019:FlowNet3D: Learning Scene Flow in 3D Point Clouds,从三维点云估计场景流。
立体匹配就4个步骤：匹配代价计算，代价聚合，计算视差，视差精化。,描述了几个定义，意思大家都懂，就是名词解释有时候对不上。
A Large Dataset to Train Convolutional Networks for Disparity, Optical Flow, and Scene Flow Estimation.
SceneFlow数据集官方给出的一些参考
自己觉得有必要走的路线：
GcNet，开源：
ICCV-2017 论文阅读笔记《End-to-End Learning of Geometry and Context for Deep Stereo Regression》
CVPR-2017 Semantic Segmentation–Pyramid Scene Parsing Network(PSPNet)论文解读
pspmet在多尺度提取空间特征有很大作用,PSMNet就是参考了这里的特征提取部分。
除了middlebury提供的库外，还可以用这种方式读写pfm文件，但是我更倾向于用Github的方法