计算机立体视觉的研究目标是由二维影像数据获取三维场景信息,双目密集匹配算法的研究对象是两幅经过核线纠正的影像,同名点的水平方向的坐标值是相等的,其研究目标是以其中一幅影像为参考影像,找到参考影像中每个像素在另一幅影像上的同名点。伴随着密集匹配技术的发展,匹配算法生成的三维信息包括位置、距离等,有时候可以代替人眼完成人类本身不可能完成的任务,被广泛应用在航空航天、机器人导航、医学机器人以及外太空探测等领域中。双目密集匹配得到了广泛而深入的研究,学者们提出了很多的算法,跨尺度代价聚集 CSCA(cross-scale cost aggregation)、ELAS(efficient large-scale stereo)以及半全局SGM(semi-globalmatching)是比较典型的算法。CSCA构建了一个跨尺度代价聚集的框架,在此框架下,任何一种已经提出的代价计算方法的视差效果都能够得到改善;ELAS较其它匹配算法能够较快速地生成视差图;伴随着硬件的发展,对SGM运行效率的研究也越来越多,由于SGM的高效性和较为满意的准确度,它被广泛应用在商业中。然而这些经典算法的效果可以进一步改善:针对CSCA算法缺少同尺度相邻代价的平滑约束,提出了融合此约束、构建新的目标函数的改进方法。除了在物体边界处,代价值应该是平滑变化的,基于此假设,同一尺度下相邻像素对应代价值平滑约束以加权最小二乘的形式被融合在CSCA中,得到了新的目标函数。优化目标函数得到的代价值,利用WTA(winner-takes-all,最小代价值对应的视差即为所要估算的视差)策略得到每个像素点的视差值,从而获得视差图。ELAS算法中的支撑点一旦得到就不会发生更改,为了打破这一格局,本文引入已有的可信度的概念,在匹配结果中选取可信度高的点重新作为新的支撑点,对可信度低的像素重新估算视差。在整个迭代过程中,通过更新可信度值和支撑点集,使得计算出的视差值是具有较高可信度。针对SGM在航空影像中的广泛使用,设计一种适用于高分辨率航空影像的密集匹配方法。支撑点是具有较高可信度的点,在密集匹配过程中能够提供非常有价值的信息。本文从最大后验概率的角度出发,建立了融合稀疏支撑点的目标函数。其中使用高斯混合模型GMM(Gaussian Mixed Model)将基于支撑点的数据项融合到密集匹配目标函数中;同时,建立了基于GMM模型的可信度更新方式,实验表明本文提出的方法改进了 SGM算法视差估算效果。