论文部分内容阅读
立体匹配算法是通过两幅或多幅图像得到各个像素的深度信息,是立体视觉中核心的问题之一。立体匹配算法的研究随着计算机技术的发展成为了很多计算机视觉研究者的重要研究内容,并且立体匹配的研究也得到了很大的发展,同时很多好的算法已经应用到实际场景中,包括三维重建、目标跟踪以及图像重聚焦等。考虑到立体匹配算法的视差连续性约束,即除了图像边界外,中心像素的视差与周围像素的视差不会出现阶跃性变化,根据这种约束,可以将图像进行分割,然后假定分割区域内的像素视差是连续的。因此,本文将图像分割算法与立体匹配算法融合到一起,这样的融合有两点好处:一方面是保证了视差连续性约束,另一方面从超像素级出发,而不是从像素级出发,降低了算法的时间复杂度。本文的研究工作是将图像分割算法融合到非局部立体匹配算法和全局立体匹配算法两种算法中,具体实现如下:(1)提出了基于密度的图像分割和非局部代价聚合的立体匹配算法。首先,介绍了非局部代价聚合立体匹配算法模型的基本原理和具体代价聚合过程;然后研究了主流的图像分割算法SLIC算法,分析了该算法的缺点,提出了一种基于密度的图像分割算法;最后将基于密度的图像分割算法融合到非局部代价聚合模型中实现立体匹配。在基于密度图像分割的非局部立体匹配算法中重点介绍了建立最小生成树的过程和在代价聚合过程中边的权值计算公式,在不同的生成树过程中使用不同的权值公式。实验表明,本文提出的算法在降低误匹配率和提高匹配精度方面,获得了显著的提髙。(2)提出了基于密度的图像分割算法和Patch Match-BP算法的全局立体匹配算法。为了实现在亚像素级的匹配精度和提高在弱纹理和遮挡区域的匹配效果,并且降低算法的时间复杂度,提出了基于密度分割的Patch Match-BP全局立体匹配算法。首先,使用基于密度的图像分割算法对图像进行分割,同时给每个分割区域的像素赋相同的随机初始视差,然后,利用Patch Match算法的邻域传播和随机传播算法在超像素精度级上进行传播,之后采用像素级精度,通过在超像素内部进行置信度传播,最后求得能量函数最小的视差来求得匹配结果。实验表明,本文算法在亚像素级精度上的匹配效果,相较于己有算法,在提高时间复杂度和降低误匹配率方面,都获得了显著的提髙。