一種基于圖像分割和自適應(yīng)權(quán)重的立體匹配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，涉及一種立體匹配技術(shù)，具體是一種基于圖像分割和 自適應(yīng)權(quán)重的立體匹配方法。
【背景技術(shù)】
[0002] 近年來，作為計算機視覺領(lǐng)域最熱門的研究問題之一，立體視覺技術(shù)被廣泛應(yīng)用 于視覺導(dǎo)航、物體識別和工業(yè)控制等方面。立體視覺技術(shù)主要包括圖像獲取、攝像機標(biāo)定、 特征提取、立體匹配和三維重建等部分，其中立體匹配是立體視覺技術(shù)的核心部分，目的在 于尋求同一空間景物在不同視點下投影圖像像素間的一一對應(yīng)關(guān)系。能否對圖像進(jìn)行準(zhǔn)確 匹配，得到場景正確的三維坐標(biāo)是立體視覺技術(shù)成敗的關(guān)鍵。
[0003] 按照約束方式的不同，將立體匹配分為兩大類:全局立體匹配和局部立體匹配。全 局立體匹配通常跳過代價聚合步驟，通過尋找能量函數(shù)最優(yōu)解可一次性獲得整幅圖像所有 像素的視差。經(jīng)典的全局匹配算法主要包括：圖割、動態(tài)規(guī)劃和置信度傳播等。該類方法可 獲得精度較高的視差圖像，但相應(yīng)參數(shù)設(shè)置難度大且算法效率低，很難滿足實時性要求。與 全局匹配方法不同，局部匹配一般使用窗口匹配，僅利用窗內(nèi)像素信息作為約束條件，且每 次只能獲得部分像素的視差值。該類方法一般具有較高的算法速率，但由于匹配過程所涉 及的信息量較少，匹配精度往往較低。
[0004] 近年來，隨著國內(nèi)外學(xué)者對局部匹配算法研究的不斷深入，一些具有較高精度的 局部匹配算法被提出。例如:一種基于置信度支持窗的立體匹配方法，首先利用SAD(Sum of Absolute Difference，絕對差值和）算法獲得像素的初始視差，然后在各匹配窗內(nèi)利用具 有較高置信度的像素點進(jìn)行平面擬合并得到最終的視差圖像，該方法雖然能夠獲得較好匹 配結(jié)果，但僅適用于具有光滑紋理的圖像區(qū)域，因而存在較大的局限性;一種基于聯(lián)合直方 圖的立體匹配算法，該算法采用對匹配窗內(nèi)的像素點進(jìn)行有效采樣的方式來減少重復(fù)濾波 的冗余計算，盡管能夠得出一個固定的空間采樣值，但由于匹配結(jié)果對輸入圖像的特點和 空間采樣率過于敏感，這一方法目前不具有普遍性;一種基于自適應(yīng)窗的立體匹配方法，首 先利用高斯混合模型描述匹配窗內(nèi)像素的視差分布，然后根據(jù)視差分布的不確定度來確定 匹配窗的尺寸，該方法雖然提高了匹配質(zhì)量，但也大大增加了算法的復(fù)雜度;一種基于自適 應(yīng)支持權(quán)重的匹配方法，該方法并不改變匹配窗的大小和形狀，而是選用固定大小的矩形 窗，根據(jù)窗內(nèi)各像素點與中心點顏色和距離差異分配支持權(quán)重，從而進(jìn)行能量聚合，該方法 有效避免了匹配窗的選擇問題，雖然能夠取得較好的匹配結(jié)果，但仍存在如下不足:對于匹 配窗內(nèi)的低紋理區(qū)域、結(jié)構(gòu)重復(fù)區(qū)域以及視差不連續(xù)區(qū)域，利用基于像素顏色和距離的匹 配難以得到正確的匹配結(jié)果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為解決現(xiàn)有技術(shù)中的難題，提供一種高匹配精度的基于圖像分割 和自適應(yīng)權(quán)重的立體匹配方法。
[0006] 本發(fā)明提供一種基于圖像分割和自適應(yīng)權(quán)重的立體匹配方法，包括視差初始化和 視差優(yōu)化，所述視差初始化步驟包括：
[0007] S1:將經(jīng)矯正的左圖像II、右圖像Ir分別作為參考圖像和目標(biāo)圖像；
[0008] S2:利用mean-shift算法分別對左圖像IL、右圖像IR進(jìn)行分割，并記錄每個像素點 所屬的彩色分割區(qū)域；
[0009] S3:令p為左圖像IL中當(dāng)前待匹配像素點，（Xp，yp)為其空間坐標(biāo);大小為W的匹配窗 中除中心像素點P外的其他像素點用q表示，視差d的取值范圍為D = [ dmin，dmax ];利用代價函 數(shù)求得像素點P與右圖像Ir中所有候選匹配點的匹配代價，候選匹配點Pd的匹配代價為E(p， Pd,d)；
[0010] S4:采用WTA策略選擇具有最小匹配代價的候選匹配點作為像素點p的最優(yōu)匹配 占 .
[0011] S5:重復(fù)所述步驟S3、S4并采用光柵掃描順序依次遍歷每個像素點，得到由最優(yōu)匹 配點組成的初始視差圖像；
[0012] 所述視差優(yōu)化依次包括:視差平面擬合、異常抑制和邊緣修復(fù)；
[0013] 所述視差平面擬合包括：
[0014] Α1:將初始視差圖像每個存在不可信點的彩色分割區(qū)域中的穩(wěn)定點作為數(shù)據(jù)集合 進(jìn)行統(tǒng)計，并將包含穩(wěn)定點最多的組分所對應(yīng)的視差值作為彩色分割區(qū)域內(nèi)不可信點的初 始視差進(jìn)行初步修正；
[0015] Α2:從彩色分割區(qū)域中任意選取3個穩(wěn)定點，構(gòu)建平面方程組并得出相應(yīng)三個平面 參數(shù)；
[0016] A3:計算彩色分割區(qū)域內(nèi)其他點與平面距離小于閾值A(chǔ)d的像素點個數(shù)化，其中i 為循環(huán)迭代次數(shù)；
[0017] A4:重復(fù)步驟A2、A3若干次，利用最大化所對應(yīng)的3個穩(wěn)定點及平面參數(shù)進(jìn)行最小 二乘平面擬合，并更新平面參數(shù)；
[0018] A5:利用式(1(~，7(1)=4~+87(1+(：|對彩色分割區(qū)域內(nèi)的不可信點(1的視差進(jìn)行重 新修正;其中，式中的A、B、C為步驟A4中具有最大Ni的3個穩(wěn)定點所對應(yīng)的三個平面參數(shù)；
[0019] 所述異常抑制具體為:對于視差平面擬合后的視差圖像，設(shè)定閾值δ^Ρδ。，將與周 圍像素視差差異較大且像素個數(shù)小于心的小區(qū)域合并到與其相鄰的具有最小視差值且像 素個數(shù)大于S。的區(qū)域中；
[0020] 所述邊緣修復(fù)包括：
[0021] Β1:利用c ann y算法檢測出經(jīng)me an - sh i f t分割后圖像的邊緣，對于異常抑制后的視 差圖像中處在圖像邊緣處的像素點P，令其左右相鄰像素點分別為qi和qr;
)
[0022] B 2 :利用公式 -計算匹配代價
[0023] B3:將具有步驟B2中最小匹配代價的像素點所對應(yīng)的視差作為像素點p的視差值。
[0024] 進(jìn)一步的，步驟S3所述的匹配代價E(p，pd，d)具體為:E(p，pd，d)=Ed ata(p，pd)+λ Esmooth(p j d)；
[0025]其中，Edata()為數(shù)據(jù)項，用于衡量兩匹配基元的相似性，數(shù)據(jù)項Edata()的定義如下：
[0030] NP和Npd表亦左右圖像中分別以p和pd為中心大小均為W的匹配窗內(nèi)其他像素點的 集合。q和qd是NjPNpd中具有相同空間位置的對應(yīng)像素點;w(p，q)計算p和q之間的權(quán)重系 數(shù)；Ac(p，q)計算兩像素在lab空間的顏色差異，γ。為其歸一化系數(shù)，表示左圖 像中像素(Xp，yp)在lab空間中的顏色分量值，k為經(jīng)驗常數(shù)；e(q，qd)計算像素 q和qd在rgb空 間的顏色差異，表示左圖像中像素(xq，yq)在rgb空間的顏色分量值，d,.vj 表示右圖像中像素在rgb空間的顏色分量值，T為截斷閾值；
[0031] 其中，Ε_〇*()為光滑項，用于對處于同一物體表面相鄰像素的視差進(jìn)行平滑約 束，λ為其權(quán)重系數(shù)，光滑項Ε_4〇的定義如下：
[0032]

[0033] th()、tv()分別代表像素水平和豎直方向的梯度，yt為歸一化系數(shù)，d()為像素的 視差值，f()代表像素的置信度，用視差估計過程中得到的最小匹配代價和次小匹配代價的 比值f二Rn
[0034]
[0035] 進(jìn)一步的，步驟S4所述的采用WTA策略選擇具有最小匹配代價的候選點作為最優(yōu) 匹配點具體為:像素 P的視差為
_
[0036] 本發(fā)明的有益效果在于，對由最優(yōu)匹配點計算的初始視差圖像中的不可信點重新 修正、異常的小區(qū)域合并到相鄰的正常區(qū)域、邊緣像素修復(fù)，從而消除了視差錯誤，提高了 匹配精度。
【附圖說明】
[0037 ]圖1為本發(fā)明的總流程圖；
[0038]圖2為視差結(jié)果，其中，圖2(a)原圖像，圖2(b)真實視差圖像，圖2(c)0ptimizedDP 算法結(jié)果，圖2 (d) RTAdaptWgt算法結(jié)果，圖2 (e)本發(fā)明的立體匹配結(jié)果。
【具體實施方式】
[0039]下文將結(jié)合具體附圖詳細(xì)