一种图像非局部立体匹配方法组成比例

本发明专利技术公开了一种图像非局部立体匹配方法，包括结合颜色和梯度信息作为相似性测度函数构建代价计算函数；通过对左右目图像构建最小生成树，并对代价函数值进行代价聚集；采用WTA策略得到初始视差图，通过左右一致性检测得到不稳定点，并进行孔洞填充，接着对视差图进行边缘检测；根据得到的边缘图像，结合剪枝的思想对代价函数值进行进一步的聚集。最后，通过视差求精得到最终的稠密视差图。本发明专利技术方法采用RGB彩色信息可以避免灰度图像中相同灰度、不同颜色的像素点产生的误匹配，提高弱纹理区域的匹配精度；实现无纹理区域的邻域在代价聚集阶段也能提供相应的权值支撑，有效地解决了无纹理区域不提供有效代价聚集值的问题。

A Non-local Stereo Matching Method for Images

The invention discloses an image non-local stereo matching method, which includes combining color and gradient information as a similarity measure function to construct a cost calculation function, constructing a minimum spanning tree for left and right eye images, and aggregating the cost function values, obtaining an initial disparity map by using WTA strategy, obtaining unstable points by left and right consistency detection, and filling holes. Secondly, the disparity map is detected by edge detection, and the value of cost function is further aggregated based on the edge image and the idea of pruning. Finally, the final dense disparity map is obtained by parallax refinement. The method adopts RGB color information to avoid mismatching of pixels of the same gray level and different colors in gray level images, and improves the matching accuracy of weak texture regions; realizes that neighborhoods of non-texture regions can also provide corresponding weight support in the cost aggregation stage, and effectively solves the problem that no texture regions can not provide effective cost aggregation values.

【技术实现步骤摘要】
一种图像非局部立体匹配方法
本专利技术属于图像处理
，涉及一种图像非局部立体匹配方法。
技术介绍
立体匹配是计算机视觉中一个重要热点和难点，它借助立体成像原理，寻找多目图像中对应点的位置，把得到的二维图像恢复到三维场景，匹配正确就可以得到精确的深度信息。该技术可以被广泛应用于机器人、人工智能、医学、航天航空、工业检测等领域。近年来，由于应用背景的多样化，对匹配精度的要求也不断提高。Scharstein对已有的立体匹配算法进行了全面的综述，包括四个步骤：匹配代价计算、代价聚集、视差计算和视差精化。立体匹配算法在总体上分为局部匹配算法和全局匹配算法。局部立体匹配算法，通常结合窗口内相邻像素的信息进行单像素的相似性计算，由于该类算法信息量少，结构简单，所以运行效率高，但对噪声敏感，在弱纹理、遮挡、视差不连续区域的误匹配率较高。全局立体匹配算法主要通过全局的优化理论方法估计视差，建立全局能量函数，再通过最小化全局能量函数来得到最优视差值，设计合理的数据项和平滑项是全局匹配算法的基本问题。常用的全局算法有置信度传播(BP)、动态规划(DP)、图割(GC)等。一般情况下，全局算法得到的匹配本文档来自技高网...

【技术保护点】
1.一种图像非局部立体匹配方法，其特征在于，包括以下步骤：(1)结合颜色和梯度信息作为相似性测度函数构建代价计算函数；(2)分别对左右目图像构建最小生成树，并对代价函数值进行代价聚集；(3)采用WTA策略得到初始视差图，通过左右一致性检测得到不稳定点，并进行孔洞填充，然后对视差图进行边缘检测；(4)根据步骤3得到的边缘图像，结合剪枝的思想对代价函数值进行进一步的聚集；(5)通过视差求精得到最终的稠密视差图。

【技术特征摘要】
1.一种图像非局部立体匹配方法，其特征在于，包括以下步骤：(1)结合颜色和梯度信息作为相似性测度函数构建代价计算函数；(2)分别对左右目图像构建最小生成树，并对代价函数值进行代价聚集；(3)采用WTA策略得到初始视差图，通过左右一致性检测得到不稳定点，并进行孔洞填充，然后对视差图进行边缘检测；(4)根据步骤3得到的边缘图像，结合剪枝的思想对代价函数值进行进一步的聚集；(5)通过视差求精得到最终的稠密视差图。2.根据权利要求1所述的方法，其特征在于：步骤(1)包括：①采用RGB三通道信息代替单一的灰度信息，通过三通道计算出颜色信息，表达式如下：其中，分别表示左右图像在i通道下的像素值，th1是预设的截断误差值；②采用二维离散函数求导的方式求得图像的梯度，表达式如下：其中分别表示左右图像在i通道下的像素强度值，▽x，▽y分别表示点在x，y方向上的梯度；③通过上述计算来构建初始匹配代价函数如下：C(p,d)＝w1CAD(p,d)+w2CGrad(p,d)(3),其中，w1、w2分别为颜色信息和梯度信息的权值，w1+w2＝1。3.根据权利要求2所述的方法，其特征在于，在无纹理区域，构建初始匹配代价函数的表达式为：C'(p,d)＝ln(1+exp(C(p,d)))(4),其中，C'(p,d)是改进后的匹配代价值。4.根据权利要求1所述的方法，其特征在于：步骤(2)具体包括：采用Kruskal算法构建最小生成树,连接相邻顶点s和r的边权值为：we＝w(s,r)＝|I(s)-I(r)|(5),其中，I为RGB三通道中其中最大的像素值；代价聚集值计算：在最小生成树中，根据相邻像素点的远近来定义像素之间的相关性，顶点p和q之间的相似性为：非局部区域代价聚集值如下：其中，S1(p,q)是初始相似性，D(p,q)表示最小生成树中相邻节点p和q的距离，σ是预先设定的调节两点相似性的参数；代价聚集:①自下而上，即从叶节点向根节点(LeaftoRoot)聚合，任一个像素，它的代价聚集值表达式如下：其中，表示代价聚集值，Ch(p)是像素p的子节点，为点q下子树中所有节点对它的聚合支撑；②自上而下，即从根节点到叶节点(Roottoleaf)聚合，对任一个像素，它的代价聚集值为：其中，Pr(p)是像素p的父节点。5.根据权利要求4所述的方法，...

【专利技术属性】
技术研发人员：霍冠英，罗颖，许金鑫，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏,32