一種快速的分步立體匹配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種計算機視覺和數(shù)字圖像處理領(lǐng)域，尤其是一種快速的分步立體匹 配方法。
【背景技術(shù)】
[0002] 目前，立體匹配（stereoMatching)是計算機視覺理論和應(yīng)用的基礎(chǔ)，同時又是一 個較難解決的問題。立體匹配的目標(biāo)是從不同視點圖像中找到匹配的對應(yīng)點，它被廣泛地 應(yīng)用在遙感圖像、醫(yī)學(xué)影像、=維重構(gòu)、機器人視覺和圖像測量等諸多領(lǐng)域中。一直W來有 很多國內(nèi)外學(xué)者對該個領(lǐng)域進行了深入的研究。其中，Szeliski和Scharsten對一些有代 表性的立體匹配算法進行了研究和評價，將所有算法總結(jié)分為四大步驟，并且將現(xiàn)有的立 體匹配算法劃分為局部算法和全局算法兩類。一般而言，全局算法精度較高，但計算繁瑣， 參數(shù)設(shè)定復(fù)雜；局部算法效率高且易于實現(xiàn)，但一直存在如何自適應(yīng)確定支持窗口的大小 和形狀的問題，導(dǎo)致其難W達到較高的精度。國內(nèi)外學(xué)者針對該一問題提出了不少具有代 表性的局部匹配算法，主要概括分為W下S類：
[0003] 第一類集中于在預(yù)先給定的多個窗口中選擇最優(yōu)窗口作為支持窗口。該算法在一 定程度上提高了圖像匹配的精度，抑制了前景放大現(xiàn)象（foreground化tteningeffect), 但由于支持窗口大小和形狀的選擇被限定，缺乏靈活性，所W很難適應(yīng)多變的圖像結(jié)構(gòu)，誤 匹配率仍然較高，且視差邊緣也不夠清晰。
[0004] 第二類集中于對已確定大小和形狀的支持窗口內(nèi)像素進行加權(quán)，或自適應(yīng)選取支 持窗口的大小和形狀。該算法雖然使得匹配的歧義性大大減少，得到的視差結(jié)果可W和全 局優(yōu)化結(jié)果媳美，但由于計算復(fù)雜，運算開銷大，無法體現(xiàn)局部算法的高效性。
[0005] 第=類集中于改進匹配的相似性測度。Z油ih提出了一種用非參數(shù)變換進行立體 匹配的算法。后來，很多學(xué)者都對基于非參數(shù)變換的立體匹配進行了改進，并取得了較好的 效果。雖然非參數(shù)變換具有較好的信號轉(zhuǎn)換能力，對噪聲和幅度失真有一定的魯椿性，并能 平衡光照對像素灰度的影響，但只是簡單地對原本的灰度值進行非參數(shù)變換，并沒有利用 像素間的互相關(guān)信息。
[0006] 綜上所述，局部匹配算法具有難W兼顧匹配精度和匹配效率的缺點，所W在保證 立體匹配精度的同時，提高匹配的速度至關(guān)重要。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明目的在于提供一種能夠兼顧匹配精度與匹配效率的基于局部紋理特性和 彩色圖像分割的快速分步立體匹配方法。
[000引為實現(xiàn)上述目的，采用了W下技術(shù)方案，本發(fā)明所述匹配方法包括W下步驟：
[0009] (1)輸入兩幅在不同角度下拍攝的相同場景的彩色圖像，將其中一幅圖像作為參 考圖像Ai，另一幅圖像作為目標(biāo)圖像Bi，假設(shè)兩幅圖像均已經(jīng)過極線矯正；
[0010] 似分別對參考圖像Ai和目標(biāo)圖像B進行基于局部紋理特性的灰度變換，獲得灰 度圖像對As和B2;
[0011] (3)利用均值漂移算法對參考圖像Ai進行彩色圖像分割，采用零均值歸一化互相 關(guān)度量函數(shù)，W任意大小和形狀的分割區(qū)域作為支持窗口對灰度圖像對A2和B2進行立體匹 配，計算分割區(qū)域的匹配代價值，根據(jù)分割區(qū)域的匹配代價值對每個色彩分割區(qū)域進行分 類，當(dāng)分割區(qū)域匹配代價大于等于0. 5時，將分割區(qū)域分類為可靠匹配區(qū)域，標(biāo)記為1，當(dāng)分 割區(qū)域匹配代價小于0. 5時，將分割區(qū)域分類為不可靠匹配區(qū)域，標(biāo)記為0,根據(jù)分類結(jié)果 估計各個區(qū)域內(nèi)像素的視差范圍，形成基于彩色圖像分割的視差約束；
[001引 （4)分別采用相關(guān)類測度歸一化互相關(guān)度量函數(shù)（Normalized cross-correlation,NCC)和距離類測度灰度差的絕對值和度量函數(shù)（SumofAbsolute Difference,SAD)對灰度圖像對Ag和B2進行基于固定窗口的立體匹配，并利用基于彩色圖 像分割的視差約束刺良制視差捜索范圍，獲得參考圖像Ai的視差圖。
[0013] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點：
[0014] 1、基于局部紋理特性的的灰度變換，充分利用圖像的局部紋理特性，提高匹配精 度，尤其是低紋理區(qū)域的匹配精度。
[0015] 2、基于彩色圖像分割的視差約束，在進行立體匹配的過程中大大縮小視差捜索范 圍，減小計算量，提高匹配效率，同時也提高了遮擋區(qū)域的匹配精度。
[0016] 3、在未進行視差優(yōu)化和自適應(yīng)窗口選擇的情況下，無論是選擇相關(guān)類測度NCC，還 是選擇距離類測度SAD，均取得了良好的視差圖，具有廣泛的度量函數(shù)適應(yīng)范圍。
【附圖說明】
[0017] 圖1是本發(fā)明方法的流程圖。
[001引圖2a)是實施例一中的參考圖像Ai。
[0019] 圖2b)是實施例一中的目標(biāo)圖像Bi。
[0020] 圖3a)是實施例一中的對參考圖像Ai進行基于局部紋理特性灰度變換后獲得的 灰度圖像八2。
[0021] 圖3b)是實施例一中的對參考圖像Ai進行普通灰度變換后獲得的灰度圖像A3。
[0022] 圖3c)是實施例一中的對目標(biāo)圖像Bi進行基于局部紋理特性灰度變換后獲得的 灰度圖像B2。
[0023] 圖3d)是實施例一中的對目標(biāo)圖像B進行普通灰度變換后獲得的灰度圖像Bs。
[0024]圖4是實施例一中的對參考圖像Ai進行彩色圖像分割后獲得的圖像。
[0025] 圖5a)是實施例一中的采用距離類測度SAD獲得的初始視差圖。
[0026] 圖5b)是實施例一中的采用相關(guān)類測度NCC獲得的初始視差圖。
【具體實施方式】
[0027] 下面結(jié)合附圖對本發(fā)明做進一步說明：
[002引如圖1所示的本發(fā)明的流程圖，本發(fā)明所述匹配方法包括W下步驟：
[0029] (1)如圖2所示，獲取兩幅在不同角度下拍攝的相同場景的彩色圖像并輸入匹配 系統(tǒng)，圖2a)作為參考圖像Ai，圖2b)作為目標(biāo)圖像Bi，兩幅圖像均已經(jīng)過極線矯正；
[0030] (2)分別對參考圖像Ai和目標(biāo)圖像B1進行基于局部紋理特性的灰度變換，獲得灰 度圖像對As和B2,W便在進行灰度變換的同時，最大限度地利用圖像的局部紋理特性來突 出圖像的結(jié)構(gòu)特征和灰度特征；如圖3所示，圖