基于NCC的改进立体匹配算法

在双目立体视觉系统中,图像匹配是关键步骤之一。在众多匹配算法中,归一化互相关(NCC)算法由于具有精度高、鲁棒性强等优点得到广泛应用,但其计算量大、运算速度较慢,使其难以在线应用。为此,本文提出一种改进的NCC立体匹配算法,通过引入积分图像和平方积分图像,将矩形窗口区域像素求和运算转化为四个像素点值的简单相加减,同时剔除基准图像中无法匹配区域以减小搜索范围,使计算复杂度得到简化,计算量大为降低。实验证明,改进后的NCC算法在保证匹配质量的基础上,执行速度得到显著提高,利于在线应用。     

基于蚁群优化算法的立体匹配

立体匹配技术使得通过像点获取景物的距离信息,实现三维立体再现成为可能,是计算机视觉研究中最基本的关键问题之一.本文选择图像的边缘点作为匹配基元.以边缘特征点处的灰度值、梯度的大小和方向、拉普拉斯值作为其属性值,依据立体匹配的约束条件,建立能量函数.在进行图像的立体匹配的过程中,运用蚁群优化算法找寻使能量函数达到最小的路径,从而实现立体匹配.实验证明,该方法具有较强的稳定性,能得到较高精度的匹配结果.     

基于改进Census变换的立体匹配算法

针对基于传统Census变换的立体匹配方法精度不高的问题, 提出一种基于坐标模板Census变换的立体匹配方法。该方法首先设计一个坐标为高斯分布的变换模板指导Census变换; 其次, 以Census变换结果之间的Hamming距离作为匹配代价求取初始视差, 同时使用SSE4. 2指令提高Hamming距离计算效率; 再次, 使用非局部代价聚合方法优化视差结果; 最后, 获得精度较高的视差图像。实验结果表明, 该算法具有较好的匹配精度和较高的匹配效率。     

基于区域间协同优化的立体匹配算法

提出了一种基于分割区域间协同优化的立体匹配算法. 该算法以图像区域为匹配基元, 利用区域的彩色特征以及相邻区域间应满足的平滑和遮挡关系定义了区域的匹配能量函数, 并引入区域之间的合作竞争机制, 通过协同优化使所定义的匹配能量极小化, 从而得到比较理想的视差结果. 算法首先对参考图像进行分割, 利用相关法得到各分割区域的初始匹配; 然后用平面模型对各区域的视差进行拟合, 得到各区域的视差平面参数; 最后, 基于协同优化的思想, 采用局部优化的方法对各区域的视差平面参数进行迭代优化, 直至得到比较合理的视差图为止. 采用Middlebury test set进行的实验结果表明, 该方法在性能上可以和目前最好的立体匹配算法相媲美, 得到的视差结果接近于真实视差.     

斜面参数优化全局立体匹配算法研究

针对现有立体匹配算法在非平行平面区域匹配中出现“阶梯效应”的问题,提出一种斜面参数优化的全局立体匹配算法。该算法用斜面参数替代视差值作为全局匹配算法的优化变量,并结合粒子滤波思想实现斜面参数的（近似）连续取值及能量函数的连续域全局优化,理论上可以同时消除传统匹配算法中视差离散取值及视差一致性约束带来的影响,从根本上消除“阶梯效应”。针对典型非平行平面测试图像对的实验结果表明,该算法在有效消除“阶梯效应”的同时降低了误匹配率。     

基于自适应权重的立体匹配优化算法

为解决现有立体匹配算法对低纹理以及视差不连续区域匹配效果较差的问题,提出一种改进的立体匹配优化算法。在传统自适应权重算法匹配代价的基础上,融合高斯差分图像差分信息,即左右图像高斯差分图的差分,重新定义其初始匹配代价,增加算法在视差不连续区域的鲁棒性,并加入边缘约束和视差边缘约束迭代聚类以及基于高斯差分图的自适应窗口算法,保证改进算法在低纹理区域的匹配性能,消除坏点与视差空洞。将该算法与传统自适应权重匹配算法分别在Middlebury数据集上进行匹配实验,结果表明,该算法平均性能提升了15.05%,明显优于传统自适应权重匹配算法。     

融合边缘保持与改进代价聚合的立体匹配算法

目的 立体匹配是计算机双目视觉的重要研究方向,主要分为全局匹配算法与局部匹配算法两类。传统的局部立体匹配算法计算复杂度低,可以满足实时性的需要,但是未能充分利用图像的边缘纹理信息,因此在非遮挡、视差不连续区域的匹配精度欠佳。为此,提出了融合边缘保持与改进代价聚合的立体匹配。方法 首先利用图像的边缘空间信息构建权重矩阵,与灰度差绝对值和梯度代价进行加权融合,形成新的代价计算方式,同时将边缘区域像素点的权重信息与引导滤波的正则化项相结合,并在多分辨率尺度的框架下进行代价聚合。所得结果经过视差计算,得到初始视差图,再通过左右一致性检测、加权中值滤波等视差优化步骤获得最终的视差图。结果 在Middlebury立体匹配平台上进行实验,结果表明,融合边缘权重信息对边缘处像素点的代价量进行了更加有效地区分,能够提升算法在各区域的匹配精度。其中,未加入视差优化步骤的21组扩展图像对的平均误匹配率较改进前减少3.48%,峰值信噪比提升3.57 dB,在标准4幅图中venus上经过视差优化后非遮挡区域的误匹配率仅为0.18%。结论 融合边缘保持的多尺度立体匹配算法有效提升了图像在边缘纹理处的匹配精度,进一步降低了非遮挡区域与视差不连续区域的误匹配率。     

改进的基于图像分割的立体匹配算法

提出一种立体匹配算法．首先采用均值平移算法将参考图像根据彩色信息快速聚类成不同区域;然后通过灰度差平方和匹配计算初始视差图;在构造能量函数时,将分割结果作为视差函数的一个参考项;最后采用图切割算法求取使全局能量最小的视差最优分配．通过标准图像对进行测试,并与其他算法进行了比较．实验结果表明,与原有算法相比,该算法可有效地处理大的低纹理区域,匹配精度高,更有利于估计视差图的边界．     

基于改进SIFT算法的建筑物图像立体匹配

采用尺寸不变特征变换(SIFT)算法对建筑物图像进行匹配时会出现大量误匹配点.针对该问题,在SIFT彩色不变描述子中融入颜色信息和全局信息.引入对照明变化具有一定鲁棒性的l1l2l3模型建立对数极坐标,对于每一个特征点,在设定的圆邻域内累积l1值、l2值、l3值以构造彩色不变描述子,将特征点的最大曲率作为特征量以构建全...     

基于自适应权重的改进Census立体匹配算法

针对传统Census算法对噪声敏感且在弱纹理区域匹配精度低的不足,提出一种基于自适应权重的改进算法.在代价计算阶段,通过空间相似度加权计算得到参考像素值,设定阈值限定参考值与中心点像素的差异,使算法能够判断中心点是否发生突变并自适应选择中心参考像素值.在代价聚合阶段,引入多尺度聚合策略,将引导滤波作为代价聚合核函数,加...     

改进的跨尺度引导滤波立体匹配算法

作为双目三维重建中的关键步骤,双目立体匹配算法完成了从平面视觉到立体视觉的转化.但如何平衡双目立体匹配算法的运行速度和精度仍然是一个棘手的问题.本文针对现有的局部立体匹配算法在弱纹理、深度不连续等特定区域匹配精度低的问题,并同时考虑到算法实时性,提出了一种改进的跨多尺度引导滤波的立体匹配算法.首先融合AD和Census变换两种代价计算方法,然后采用基于跨尺度的引导滤波进行代价聚合,在进行视差计算时通过制定一个判断准则判断图像中每一个像素点的最小聚合代价对应的视差值是否可靠,当判断对应的视差值不可靠时,对像素点构建基于梯度相似性的自适应窗口,并基于自适应窗口修正该像素点对应的视差值.最后通过视差精化得到最终的视差图.在Middlebury测试平台上对标准立体图像对的实验结果表明,与传统基于引导滤波器的立体匹配算法相比具有更高的精度.     

立体匹配算法进展

立体匹配是立体视觉中的重要环节;文章首先根据匹配算法使用的约束信息的不同把匹配算法分为局域算法和全局算法,并分别进行介绍,然后,针对目前各应用领域的要求,分别从准确性和实时性方面对立体匹配算法进行分析,从软件层面和硬件层面分析准确性和实时性要求的发展过程,最后,针对立体匹配算法中兼顾准确性和实时性要求的难题,结合作者的研究,指出了可能的解决途径和进一步研究的问题。     

基于稳定树的立体匹配视差优化算法

针对双目视觉立体匹配中的视差优化问题,提出一种基于稳定树形结构的视差优化算法.在双目匹配问题中,视差可以通过检测左右眼2张视觉成像图片中的对应点的信息来计算得出,以生成三维深度图像,继而通过视差优化这一步骤提高三维深度图像的质量.从计算视差中支持域的角度出发,用稳定度的概念来衡量支持域的特征;通过基于稳定度的树结构来评估和重构支持域,用于之后的代价聚合,以减少视差错误.除了室内图片,文中方法还被拓展到了真实路面的数据集,其在移除大块视差错误和整合碎片上取得了明显优于其他方法的效果;与传统的基于树结构的方法相比,在保持精确度的同时降低了70%的聚合时间,极大地提高了视差优化的速度.     

基于视差图优化的立体匹配算法研究

传统的立体匹配算法通过计算两幅图像的像素点相似程度,从而找到左图像素点和右图像素点的对应关系,常采用的是一种局部最优的方法,所以其匹配精度很低.为了提高精度,当前策略主要是将问题转化为求解能量方程,进而来对全局空间进行优化.从一个新的角度即视差图优化来研究能量方程的求解,通过对扫描线算法、动态规划算法和图割算法深刻讨论来分析算法原理与运行图,从而理解各算法优缺点形成本质与问题转化的依据,可以进一步的改进其不足,为研究新的算法打下基础.     

邻域相关信息的改进Census变换立体匹配算法

针对传统Census变换在视差不连续区域和噪声干扰情况下误匹配率较高的情况,提出了一种利用邻域相关信息的改进Census变换立体匹配算法。根据邻域像素的相关信息,将传统的Census变换中像素与邻域像素的差异应用2位信息表示,使变换后的图像在视差不连续区域的信息表示更为丰富,同时减少噪声对匹配质量的影响。通过并行化自适应匹配代价聚合、亚像素插值、左右一致性约束、遮挡区插值,最终得到了稠密视差图。经Middlebury立体图片测试表明,该算法结构简单,复杂度低,具有较高的鲁棒性,有效地提高了匹配精度。