一种基于图像分割和自适应权重的立体匹配方法
【技术领域】
[0001] 本发明属于图像处理领域，涉及一种立体匹配技术，具体是一种基于图像分割和 自适应权重的立体匹配方法。
【背景技术】
[0002] 近年来，作为计算机视觉领域最热门的研究问题之一，立体视觉技术被广泛应用 于视觉导航、物体识别和工业控制等方面。立体视觉技术主要包括图像获取、摄像机标定、 特征提取、立体匹配和三维重建等部分，其中立体匹配是立体视觉技术的核心部分，目的在 于寻求同一空间景物在不同视点下投影图像像素间的一一对应关系。能否对图像进行准确 匹配，得到场景正确的三维坐标是立体视觉技术成败的关键。
[0003] 按照约束方式的不同，将立体匹配分为两大类:全局立体匹配和局部立体匹配。全 局立体匹配通常跳过代价聚合步骤，通过寻找能量函数最优解可一次性获得整幅图像所有 像素的视差。经典的全局匹配算法主要包括：图割、动态规划和置信度传播等。该类方法可 获得精度较高的视差图像，但相应参数设置难度大且算法效率低，很难满足实时性要求。与 全局匹配方法不同，局部匹配一般使用窗口匹配，仅利用窗内像素信息作为约束条件，且每 次只能获得部分像素的视差值。该类方法一般具有较高的算法速率，但由于匹配过程所涉 及的信息量较少，匹配精度往往较低。
[0004] 近年来，随着国内外学者对局部匹配算法研究的不断深入，一些具有较高精度的 局部匹配算法被提出。例如:一种基于置信度支持窗的立体匹配方法，首先利用SAD(Sum of Absolute Difference，绝对差值和）算法获得像素的初始视差，然后在各匹配窗内利用具 有较高置信度的像素点进行平面拟合并得到最终的视差图像，该方法虽然能够获得较好匹 配结果，但仅适用于具有光滑纹理的图像区域，因而存在较大的局限性;一种基于联合直方 图的立体匹配算法，该算法采用对匹配窗内的像素点进行有效采样的方式来减少重复滤波 的冗余计算，尽管能够得出一个固定的空间采样值，但由于匹配结果对输入图像的特点和 空间采样率过于敏感，这一方法目前不具有普遍性;一种基于自适应窗的立体匹配方法，首 先利用高斯混合模型描述匹配窗内像素的视差分布，然后根据视差分布的不确定度来确定 匹配窗的尺寸，该方法虽然提高了匹配质量，但也大大增加了算法的复杂度;一种基于自适 应支持权重的匹配方法，该方法并不改变匹配窗的大小和形状，而是选用固定大小的矩形 窗，根据窗内各像素点与中心点颜色和距离差异分配支持权重，从而进行能量聚合，该方法 有效避免了匹配窗的选择问题，虽然能够取得较好的匹配结果，但仍存在如下不足:对于匹 配窗内的低纹理区域、结构重复区域以及视差不连续区域，利用基于像素颜色和距离的匹 配难以得到正确的匹配结果。
【发明内容】
[0005] 本发明的目的是为解决现有技术中的难题，提供一种高匹配精度的基于图像分割 和自适应权重的立体匹配方法。
[0006] 本发明提供一种基于图像分割和自适应权重的立体匹配方法，包括视差初始化和 视差优化，所述视差初始化步骤包括：
[0007] S1:将经矫正的左图像II、右图像Ir分别作为参考图像和目标图像；
[0008] S2:利用mean-shift算法分别对左图像IL、右图像IR进行分割，并记录每个像素点 所属的彩色分割区域；
[0009] S3:令p为左图像IL中当前待匹配像素点，（Xp，yp)为其空间坐标;大小为W的匹配窗 中除中心像素点P外的其他像素点用q表示，视差d的取值范围为D = [ dmin，dmax ];利用代价函 数求得像素点P与右图像Ir中所有候选匹配点的匹配代价，候选匹配点Pd的匹配代价为E(p， Pd,d)；
[0010] S4:采用WTA策略选择具有最小匹配代价的候选匹配点作为像素点p的最优匹配 占 .
[0011] S5:重复所述步骤S3、S4并采用光栅扫描顺序依次遍历每个像素点，得到由最优匹 配点组成的初始视差图像；
[0012] 所述视差优化依次包括:视差平面拟合、异常抑制和边缘修复；
[0013] 所述视差平面拟合包括：
[0014] Α1:将初始视差图像每个存在不可信点的彩色分割区域中的稳定点作为数据集合 进行统计，并将包含稳定点最多的组分所对应的视差值作为彩色分割区域内不可信点的初 始视差进行初步修正；
[0015] Α2:从彩色分割区域中任意选取3个稳定点，构建平面方程组并得出相应三个平面 参数；
[0016] A3:计算彩色分割区域内其他点与平面距离小于阈值Ad的像素点个数化，其中i 为循环迭代次数；
[0017] A4:重复步骤A2、A3若干次，利用最大化所对应的3个稳定点及平面参数进行最小 二乘平面拟合，并更新平面参数；
[0018] A5:利用式(1(~，7(1)=4~+87(1+(：|对彩色分割区域内的不可信点(1的视差进行重 新修正;其中，式中的A、B、C为步骤A4中具有最大Ni的3个稳定点所对应的三个平面参数；
[0019] 所述异常抑制具体为:对于视差平面拟合后的视差图像，设定阈值δ^Ρδ。，将与周 围像素视差差异较大且像素个数小于心的小区域合并到与其相邻的具有最小视差值且像 素个数大于S。的区域中；
[0020] 所述边缘修复包括：
[0021] Β1:利用c ann y算法检测出经me an - sh i f t分割后图像的边缘，对于异常抑制后的视 差图像中处在图像边缘处的像素点P，令其左右相邻像素点分别为qi和qr;
)
[0022] B 2 :利用公式 -计算匹配代价
[0023] B3:将具有步骤B2中最小匹配代价的像素点所对应的视差作为像素点p的视差值。
[0024] 进一步的，步骤S3所述的匹配代价E(p，pd，d)具体为:E(p，pd，d)=Ed ata(p，pd)+λ Esmooth(p j d)；
[0025]其中，Edata()为数据项，用于衡量两匹配基元的相似性，数据项Edata()的定义如下：
[0030] NP和Npd表亦左右图像中分别以p和pd为中心大小均为W的匹配窗内其他像素点的 集合。q和qd是NjPNpd中具有相同空间位置的对应像素点;w(p，q)计算p和q之间的权重系 数；Ac(p，q)计算两像素在lab空间的颜色差异，γ。为其归一化系数，表示左图 像中像素(Xp，yp)在lab空间中的颜色分量值，k为经验常数；e(q，qd)计算像素 q和qd在rgb空 间的颜色差异，表示左图像中像素(xq，yq)在rgb空间的颜色分量值，d,.vj 表示右图像中像素在rgb空间的颜色分量值，T为截断阈值；
[0031] 其中，Ε_〇*()为光滑项，用于对处于同一物体表面相邻像素的视差进行平滑约 束，λ为其权重系数，光滑项Ε_4〇的定义如下：
[0032]
[0033] th()、tv()分别代表像素水平和竖直方向的梯度，yt为归一化系数，d()为像素的 视差值，f()代表像素的置信度，用视差估计过程中得到的最小匹配代价和次小匹配代价的 比值f二Rn
[0034]
[0035] 进一步的，步骤S4所述的采用WTA策略选择具有最小匹配代价的候选点作为最优 匹配点具体为:像素 P的视差为
_
[0036] 本发明的有益效果在于，对由最优匹配点计算的初始视差图像中的不可信点重新 修正、异常的小区域合并到相邻的正常区域、边缘像素修复，从而消除了视差错误，提高了 匹配精度。
【附图说明】
[0037 ]图1为本发明的总流程图；
[0038]图2为视差结果，其中，图2(a)原图像，图2(b)真实视差图像，图2(c)0ptimizedDP 算法结果，图2 (d) RTAdaptWgt算法结果，图2 (e)本发明的立体匹配结果。
【具体实施方式】
[0039]下文将结合具体附图详细