一種基于馬爾可夫隨機(jī)場(chǎng)的視差圖精化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及計(jì)算機(jī)視覺(jué)及模式識(shí)別技術(shù)領(lǐng)域，特別是設(shè)及一種立體視覺(jué)技術(shù)中 視差圖的精化方法。
【背景技術(shù)】
[0002] 立體匹配問(wèn)題是計(jì)算機(jī)視覺(jué)中的關(guān)鍵科學(xué)問(wèn)題，至今沒(méi)有完全令人滿意的解法。 很多算法針對(duì)不同的應(yīng)用，在匹配的效率和精度問(wèn)題上進(jìn)行權(quán)衡。該里只討論如何進(jìn)一步 提高立體匹配的精度問(wèn)題。
[0003] 給出兩幅已校正的立體圖像對(duì)，在采用某一算法求解立體匹配問(wèn)題時(shí)，算法 的結(jié)果往往是一幅左視差圖或者左右二幅視差圖。由于存在遮擋等各種復(fù)雜因素的影響， 所W，所得到的視差圖總是存在或多或少的誤匹配，該些誤匹配在視差圖中的表現(xiàn)就是 很多的異常值，有一些異常值甚至是大面積的。該一現(xiàn)象是普遍存在的，無(wú)論采用局部 性算法，還是采用性能優(yōu)良的全局性算法，例如圖割算法和信任傳播算法，異常值都有可 能會(huì)出現(xiàn)在視差圖中。
[0004] 很多異常點(diǎn)區(qū)域通過(guò)不斷的能量最小化迭代操作并不會(huì)被合理的消除。視差圖 中大量異常值的存在影響了立體視覺(jué)技術(shù)的更進(jìn)一步的研究，尤其不利于在此基礎(chǔ)上的 中后期視覺(jué)技術(shù)的研究，所W消除異常值顯得非常有必要。如何"消除"視差圖中的該些 異常值？目前并沒(méi)有十分有效的解決方法。然而在立體視覺(jué)中，該的確是一個(gè)非常關(guān)鍵 的科學(xué)問(wèn)題，消除異常值后，可W獲得更高精度的視差圖，優(yōu)良的匹配結(jié)果可W優(yōu)化視 覺(jué)信息的進(jìn)一步處理過(guò)程。消除異常值不僅僅意味著簡(jiǎn)單的刪除，而且要W更加適當(dāng)?shù)?視差值替補(bǔ)。該樣的操作實(shí)際上是一個(gè)精化的過(guò)程。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供了一種基于馬爾可夫隨機(jī)場(chǎng)的視差圖精化方法，消除初始 視差圖中的誤匹配點(diǎn)，更進(jìn)一步提高立體匹配的精度。
[0006] 本發(fā)明是一種基于馬爾可夫隨機(jī)場(chǎng)的視差圖精化方法，其步驟為： 步驟（1)讀取初始左視差圖； 步驟（2)生成右視差圖； 步驟（3)異常視差點(diǎn)檢測(cè)； 步驟（4)視差點(diǎn)分類； 步驟（5)建立馬爾可夫隨機(jī)場(chǎng)模型； 步驟（6)建立全局能量方程； 步驟（7)計(jì)算數(shù)據(jù)項(xiàng)與平滑項(xiàng)； 步驟（8)利用圖割算法進(jìn)行求解； 步驟（9)得到精化W后的高精度視差圖。
[0007] 本發(fā)明的有益效果是：能夠有效地解決了對(duì)初始視差圖進(jìn)一步精化的問(wèn)題，經(jīng)過(guò) 本發(fā)明所述的精化過(guò)程，視差圖的精度將獲得大幅度地提升，非常有利于對(duì)視覺(jué)信息的進(jìn) 一步處理。
[0008] 上述說(shuō)明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚地了解本發(fā)明的技術(shù)手 段，并可依照說(shuō)明書的內(nèi)容予W實(shí)施，W下W本發(fā)明的附圖和較佳實(shí)施例詳細(xì)說(shuō)明如后。
【附圖說(shuō)明】
[0009] 圖1為基于馬爾可夫隨機(jī)場(chǎng)的視差圖精化方法步驟流程圖，圖2為初始左視差圖， 圖3為初始右視差圖，圖4為左視差圖中檢測(cè)到的異常視差點(diǎn)，圖5為右視差圖中檢測(cè)到的 異常視差點(diǎn)，圖6為初始左視差圖在Middlebury網(wǎng)站評(píng)估后的誤匹配點(diǎn)，圖7為精化后的 左視差圖在Middlebu巧網(wǎng)站評(píng)估后的誤匹配點(diǎn)，圖8為Teddy左圖像，圖9為Teddy右圖 像，圖10為精化后的視差圖，圖11為Teddy的基準(zhǔn)視差圖。
【具體實(shí)施方式】
[0010] 本發(fā)明是一種基于馬爾可夫隨機(jī)場(chǎng)的視差圖精化方法，其步驟為： 步驟（1)讀取初始左視差圖； 步驟（2)生成右視差圖； 步驟（3)異常視差點(diǎn)檢測(cè)； 步驟（4)視差點(diǎn)分類； 步驟（5)建立馬爾可夫隨機(jī)場(chǎng)模型； 步驟（6)建立全局能量方程； 步驟（7)計(jì)算數(shù)據(jù)項(xiàng)與平滑項(xiàng)； 步驟（8)利用圖割算法進(jìn)行求解； 步驟（9)得到精化W后的高精度視差圖。
[0011] 根據(jù)W上所述的方法，在步驟（1)中，初始左視差圖由某一立體匹配算法得到，例 如可W采用全局性立體匹配算法如信任傳播算法、圖割算法等等。
[0012] 根據(jù)W上所述的方法，在步驟（2)中，生成右視差圖，利用立體匹配左右對(duì)應(yīng)原理， 即可W根據(jù)左視差圖生成對(duì)應(yīng)的右視差圖。
[0013] 根據(jù)W上所述的方法，在步驟（3)和步驟（4)中，異常視差點(diǎn)的檢測(cè)及分類，將初 始視差圖中的所有視差點(diǎn)分為=類，令^為初始左視差圖，檢測(cè)后正確匹配的視差點(diǎn)集為 直接交叉驗(yàn)證后得到的異常視差點(diǎn)集為if，間接交叉驗(yàn)證后得到的異常視差點(diǎn)集 為if;判別一個(gè)視差點(diǎn)屬于集合if，令為左視差圖的一個(gè)點(diǎn)的位置，為其視差 值，?為其匹配的右視差圖巧中的點(diǎn)的位置，為其視差值，則有： 該時(shí)，巧中點(diǎn)r,的視差值為，對(duì)應(yīng)左視差圖巧中的點(diǎn)為； f| =/;+dy, 若共尸^則在巧中的該個(gè)點(diǎn)就是異常點(diǎn)，且屬于集合if。
[0014] 根據(jù)W上所述的方法，在步驟（5)中，建立馬爾可夫隨機(jī)場(chǎng)模型，馬爾可夫隨機(jī)場(chǎng) 中W初始視差值為觀測(cè)數(shù)據(jù)。
[0015] 根據(jù)W上所述的方法，在步驟（6)中，建立全局能量方程，其能量方程為：
其中，為鄰域系統(tǒng)，F(xiàn)為圖像，<^,9壇戶為像素， 凸成）為數(shù)據(jù)恥 為像素的平滑項(xiàng)。
[0016] 根據(jù)W上所述的方法，在步驟（7)中，計(jì)算數(shù)據(jù)項(xiàng)與平滑項(xiàng)，其數(shù)據(jù)項(xiàng)為：
其中，正確匹配的點(diǎn)集為if，直接交叉驗(yàn)證后得到的直接異常點(diǎn)集為if，間接交叉 驗(yàn)證后得到的間接異常點(diǎn)集為if，裝I，露2,農(nóng)3為常數(shù)；其平滑項(xiàng)為：
其中，ViMx為視差間斷的最大截尾值，均為視差值。
[0017] 根據(jù)W上所述的方法，在步驟（8)中，利用圖割算法進(jìn)行求解，采用 方法對(duì)能量函數(shù)進(jìn)行求解。
[0018] 為更進(jìn)一步闡述本發(fā)明為達(dá)到預(yù)定發(fā)明目的所采取的技術(shù)手段和功效，對(duì)依據(jù)本 發(fā)明所提出的基于馬爾可夫隨機(jī)場(chǎng)的視差圖精化方法其【具體實(shí)施方式】、特征及其功效，下 面結(jié)合具體的實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。
[001引實(shí)施例1 ; 本發(fā)明的基于馬爾可夫隨機(jī)場(chǎng)的視差圖精化方法包括W下步驟： (1) 讀取初始左視差圖，初始左視差圖由某一立體匹配算法得到，例如可W采用全局性 立體匹配算法如信任傳播算法、圖割算法等等； (2) 生成右視差圖，利