一种基于多邻域非线性扩散的动态规划全局立体匹配算法

双目立体视觉匹配通过两幅具有一定视差的图像获得精确、稠密的视差图。为了解决动态规划立体匹配算法橫条纹瑕疵以及精度低的问题,提出了一种基于多邻域非线性扩散的立体匹配算法。该算法采用AD测度函数构建视差空间,根据行列像素之间的约束关系,基于非线性扩散的代价聚合方法,通过图像边缘的动态优化寻求全局能量函数最优值得到稠密视差图。在Middlebury测试集上的实验结果表明,该算法的平均误匹配率为5.60%,相比IIDP动态规划全局匹配算法,精度提高了39.9%,有效地解决了横向条纹问题,改善了边缘模糊情况,且提升了算法的稳定性。与其他全局匹配算法相比,本文算法误匹配率降低了38.2%,在图像参数的11个指标中有9项指标排名第1。     

基于动态规划与图像分割的立体匹配算法

针对传统图割立体匹配算法耗时太长以及动态规划立体匹配算法匹配精度不高,且视差图带有条纹瑕疵的问题,提出了一种基于动态规划和图像分割的立体匹配算法.采用自适应多阈值图像分割算法对参考图像进行高效可靠的区域分割,提取边界,使用多种子点动态规划算法精细求取边界上点的视差,并以区域为单元用图割立体匹配算法求取区域内各点的视差,拟合得到图像对的视差图.通过对比,实验结果表明：此算法较传统图割法匹配速度有明显提高,且可以得到匹配精度较高的稠密视差.     

分层正交动态规划立体匹配算法

提出一种分层正交动态规划立体匹配算法.首先利用正交动态规划算法在低分辨率图像的DSI(disparity-space image)视差空间图中进行初匹配,然后在Delta DSI(delta disparity-spaceimage)视差变化空间图中进行精匹配,从而获得高分辨率图像的视差图.实验结果表明,该算法不仅可以改善传统动态规划算法产生的带状条纹瑕疵,而且匹配率高、速度快、应用范围广.     

基于动态规划的实时立体匹配算法

立体匹配通过计算和标识匹配图像的视差图来获得图像的深度信息,一般计算量大,无法满足实时性要求。本文聚焦立体匹配的匹配代价聚集和视差计算环节,在动态规划方法的基础上,提出了一种实时的立体匹配算法。根据连续性约束,提出了基于自适应形状窗口的快速匹配代价聚集算法,加速了臂长和匹配代价聚集的计算效率;利用边缘检测技术获得图像边界信息,修改动态规划的转移方程,使得边界像素可以在整个视差空间中选择视差值,降低边界处匹配视差的误匹配率。实验结果表明:通过结合上述两个步骤的改进算法,可以获得满足实时性要求、高质量的匹配视差图,整体的匹配准确率较高。     

基于多尺度的小基高比立体匹配方法

针对小基高比立体匹配中的＂黏合＂现象和深度精度问题,提出一种小基高比立体匹配方法.该方法通过将自适应窗口技术和多窗口策略相结合为参考图像确定匹配窗口;然后根据规范化互相关函数和＂胜者全取＂策略计算整数级视差;再以整数级视差为基础利用基于二分法的亚像素匹配方法计算亚像级视差;最后采用基于图像分割的迭代传播方法以获得稠密视差图.实验结果表明：该立体匹配算法减少了小基高比匹配中的＂黏合＂现象,同时获得了稠密的高精度亚像素级视差,其亚像素精度可优于1/20个像元.     

基于边缘和像素类型标记的立体匹配算法

提出一种基于边缘图像特征和像素类型标记的立体匹配算法,利用边缘信息及视差在边缘和非边缘区域的分布特征,指导有效初始视差在扫描线方向的传递。并且根据标记值对部分不可靠的像素点进行反向赋值和边缘内中值滤波处理,达到视差精化目的。实验证明这种方法对于整体视差范围不太大的远距离图像,能够获得较为精确的稠密视差图。     

基于控制点约束及区域相关的立体匹配算法

立体匹配是计算机视觉的关键问题.为了得到准确匹配的稠密视差图,通过对基于特征和基于区域立体匹配算法的讨论,结合这两种算法的优点,提出一种新的基于控制点及区域相关的立体匹配算法.该方法首先在利用Harris角点检测算法检测出角点的基础上,对角点进行立体匹配得到精确的匹配点对即控制点,然后在控制点的约束下对非角点像素进行基于区域相关的立体匹配,得到整体稠密的视差图.这样既缩小了匹配搜索空间,又保证了匹配的可靠性.     

基于模糊逻辑的多尺度小基高比立体匹配方法

针对小基高比立体匹配中的辐射差异和深度精度问题,提出一种小基高比立体匹配方法。该方法首先通过小波变换对立体图像构建多尺度空间,然后利用HSL色彩模式下的模糊逻辑相似性测度函数和十字支撑臂自适应窗口技术获取初始匹配成本,再依据"胜者全取"策略计算整数级视差,最后以整数级视差为基础利用基于迭代相位相关法的亚像素匹配方法计算亚像素级视差图。研究结果表明:该立体匹配算法克服了小基高比匹配中的辐射差异问题,同时获得了高精度亚像素级视差,其亚像素精度高于1/20个像素。     

使用图像分割的遮挡恢复立体匹配算法

针对立体匹配在稀疏纹理、重复纹理、深度不连续和遮挡区域存在的问题,提出了一种高效的立体匹配算法.该算法主要由像素匹配代价计算和视差图全局优化2个步骤组成.为了大幅减少当前算法在场景深度不连续处所产生的过渡平滑现象和在稀疏纹理处产生的错误匹配,采用基于图像采样噪声无关的自适应权重加窗匹配算法.为了求解遮挡区域和不连续性区域的像素视差,使用遮挡和平滑惩罚代价来约束整幅视差图,并采用基于图像分割的能量最小化方法求取最优解.实验结果表明,相比于局部和全局算法,该算法可以更快且准确地计算稀疏纹理、不连续性和遮挡区域的像素视差.     

基于区域增长的自适应窗口立体匹配算法

针对基于区域的立体匹配算法支持窗口难以选择的问题, 提出一种新的自适应窗口区域立体匹配算法. 该区域增长的方法可以动态地获得形状和大小均具有自适应特性的支持窗口, 并通过区域视差范围估计、核心窗口视差近似、动态搜索步距调整等方法使算法得到改进. 研究结果表明: 该算法对于视差不连续和遮挡区域都有着良好的适应性;采用该算法获得的视差图像的准确度高达95%, 且计算时间缩短到5 s以内.     

基于光场数据的无纹理景物视差估计方法

为了提高无纹理区域视差计算结果, 在利用光场子孔径图像立体匹配估计无纹理区域的视差时, 采用量化的光场子孔径图像之间的几何关系代替像素值进行立体匹配。根据光场子孔径图像之间的几何关系, 计算像素点的极线分割比, 用极线分割比代替子孔径图像像素值, 提高了像素可区分性。实验结果表明, 利用分割比图像得到的视差图结果明显优于利用子孔径图像得到的结果。     

基于图像片段匹配的立体匹配算法

提出一种以图像片段为单位进行立体匹配的方法,与传统的以像素为单位的立体方法不同的是,本文使用图像的边缘信息将参考图像分成小的片段,同时在水平和垂直方向上以小的片段为单位进行立体匹配,然后进行视差图像的融合,提高了匹配的准确性.在片段内,本文将匹配代价分为高代价与低代价,以不同的计算方式统计两种代价值对整个片段的代价贡献,这种计算方式可以准确地匹配物体被部分遮挡时的情况;接下来对原参考图像进行低位数放大,对片段内的视差值根据低位数放大后的参考图像再次查找精确视差;最后,依据原始的参考图像,使用同色域均值滤波对获得的视差图进行填补与平滑操作.经实验证明,本方法具有算法运算复杂度低,速度快,匹配准确和物体的边缘视差清晰的特点,在Middlebury图像库的测试中获得了较好的实验结果.     

一种改进的基于图像分割的立体匹配算法硏究

针对立体匹配中在低纹理及遮挡区域容易导致误匹配的问题,提出一种改进的基于图像分割的立体匹配算法.首先,采用自适应多边形窗口来对左右图像进行初始匹配,同时通过左右一致性检测得到可靠匹配点;然后根据颜色信息将图像分割为不同区域,运用得到的可靠点计算不同区域的视差模板;将得到的模板结果作为视差估计和能量函数的参考项构造能量函数,使用树形动态规划最小化能量函数计算最优视差.将该算法应用于标准库进行实验,结果表明该算法能够有效地匹配图像,具有较高的匹配精度.     

基于网络最大流的立体匹配算法

为得到立体图像对的全局最优匹配,将视差搜索范围离散化,与图像坐标一起构成三维空间网络。恰当定义网络各边的容量,使之兼顾立体匹配的相容性和光滑性约束,将立体匹配转化为网络优化问题。通过求解网络的最大流和最小切割,获得全局最优的视差分布数据。实验表明,算法生成的视差数据不仅连续稠密而且保留了细节信息。     

基于梯度域引导滤波的视差精炼迭代算法

在立体匹配算法中,视差精炼过程是影响立体匹配精度的重要步骤.针对传统基于权重中值滤波的视差精炼算法,其滤波性能不佳导致精炼后的立体匹配精度不高的问题,本文提出了一种基于梯度域引导滤波的视差精炼迭代算法.该算法首先依据梯度域引导滤波的原理,将其应用于视差精炼的过程,得到改进后的权重中值滤波算法;同时对视差图进行迭代精炼,以提高立体匹配精度.实验仿真结果表明,相较于传统方法,本文算法能够有效地降低视差精炼的平均误差,获得较高精度的视差图.     

融合AD与Census变换的动态规划立体匹配与遮挡处理

针对传统动态规划立体匹配算法具有速度快的优点,但常伴随条纹现象的问题,设计了一种AD(absolute difference)与Census变换相融合的相似性测度算法,结合新的线性平滑项和动态变搜索半径的方法有效避免了上述问题,提高了匹配的速度和准确性.遮挡现象在双目视觉中难以避免,针对这一难题,采用左右一致性的遮挡检测算法对遮挡区域进行遮挡检测,设计了一种基于颜色和距离相似性的视差优化插值算法,改善了遮挡区域的视差估计.实验结果表明,该立体匹配算法能够快速、准确地估计出视差值,满足立体重构的需要.      

融合部分深度线索的立体匹配方法

针对建筑物场景, 提出两种在基于图的立体匹配算法中融合部分深度数据来提高视差图质量的方法。若该部分深度线索来 自扫描仪获取的准确测量数据, 则可以从中直接抽取出对应于三维空间平面的视差层组成标号集, 并以颜色块代替像素作为图结点。进一步地, 将扫描仪的使用 限制在离线阶段, 即仅用于训练数据库的建立, 然后在立体匹配的图中添加一个图像块层, 来融合通过统计学习获得的单目图像深度推断线索。实验结果很好地证明了算法的有效性。     

基于跨尺度随机游走的立体匹配算法

传统的立体匹配算法大都基于两幅图像像素点或者局部块的对应性,在单一尺度下求取视差图,但这不能很好地建模低纹理及重复纹理区域的对应关系,致使获得的视差图精度有限。为了改善上述问题,考虑到人眼视觉系统在不同尺度上处理所接收到的视觉信号,提出了跨尺度的重启动与随机游走算法。首先计算场景图像的匹配代价,其次利用超像素分割进行快速初始聚合,然后使用重启动与随机游走算法对其进行全局上的优化,最后采用跨尺度模型实现匹配代价的有效融合更新,继而获取场景图像的视差图。在Middlebury数据集上的实验仿真结果表明,相较于传统的跨尺度立体匹配算法,该算法能够有效地将场景图像在所有区域及非遮挡区域的加权平均误匹配率分别降低1个百分点和3个百分点,获得高精度的视差图。     

机器人双目图像实时立体匹配算法

针对移动机器人平台上的双目视觉深度信息获取问题,研究了一种适用于动态图像序列的双目图像立体匹配算法.采用成熟的半全局立体匹配算法对图像快速立体匹配;分析了在复杂环境下的运动平台上完成立体匹配所面临的主要噪声干扰,包括白斑噪声和断层闪烁噪声;为此,分别提出了白斑滤波算法和视差图时间域滤波方法以抑制这两种噪声.试验结果表明,所提出的算法能够有效抑制动态双目图像在立体匹配时的噪声干扰,最终能够实时获得连续清晰的视差图序列.      

基于双目立体视觉的三维重建方法

基于双目立体视觉视差原理,结合halcon视觉开发库标定摄像机的内外参数,利用标定结果校正目标图像;引入多重网格算法以及像素灰度、梯度、平滑度相结合的相似度判断准则对校正图像进行立体匹配,获得连续稠密的视差图;根据深度信息恢复原理获取三维点云,并采用移动最小二乘法对三维点云进行平滑滤波;最后运用基于贪婪算法的三角剖分实现物体可视表面三维重建,并对重建表面进行形态学处理填补黑洞.实验结果表明,物体重建表面光滑连续,视觉效果令人满意.