三种测度融合的加权引导滤波匹配算法

针对立体匹配算法中,census变换在弱纹理区域具有较好效果,但忽略了图像的灰度信息,造成在重复纹理区域匹配效果不理想,提出了一种改进的census变换。在初始匹配代价阶段,设计了一种在census变换的基础上融合互信息和梯度信息的相似性测度算法。在代价聚合阶段,采用自适应权重引导滤波聚合策略。最后,通过视差计算、视差优化得到最终的视差图。在VS2015软件平台上对Middlebury网站上提供的标准测试图进行实验,实验结果表明,所提算法能够得到较为准确的视差图,平均误匹配率为5.29%,可以满足三维重构的需要。     

融合梯度信息自适应窗口的立体匹配

针对立体匹配算法中对固定窗口匹配代价计算存在匹配精度低的问题,该文提出了一种基于融合梯度信息自适应窗口的立体匹配算法。以AD-Census和SGM立体匹配算法为基础,首先研究了窗口大小对算法性能的影响,并在代价计算中加入融合梯度信息的自适应窗口算法,使用标准图像集对改进前后的算法性能进行对比。实验结果表明,匹配窗口增大可以提高算法的匹配精度但会降低算法效率,利用梯度信息调节窗口大小可以提高算法的适用性,保持效率的同时降低三类区域中的误匹配率。在4个测试集中误匹配率平均下降了4.05%,平均运行时间只增加了0.82 s,改进后的立体匹配算法具有更好的综合性能。     

改进的跨尺度引导滤波立体匹配算法

作为双目三维重建中的关键步骤,双目立体匹配算法完成了从平面视觉到立体视觉的转化.但如何平衡双目立体匹配算法的运行速度和精度仍然是一个棘手的问题.本文针对现有的局部立体匹配算法在弱纹理、深度不连续等特定区域匹配精度低的问题,并同时考虑到算法实时性,提出了一种改进的跨多尺度引导滤波的立体匹配算法.首先融合AD和Census变换两种代价计算方法,然后采用基于跨尺度的引导滤波进行代价聚合,在进行视差计算时通过制定一个判断准则判断图像中每一个像素点的最小聚合代价对应的视差值是否可靠,当判断对应的视差值不可靠时,对像素点构建基于梯度相似性的自适应窗口,并基于自适应窗口修正该像素点对应的视差值.最后通过视差精化得到最终的视差图.在Middlebury测试平台上对标准立体图像对的实验结果表明,与传统基于引导滤波器的立体匹配算法相比具有更高的精度.     

基于自适应权重的改进Census立体匹配算法

针对传统Census算法对噪声敏感且在弱纹理区域匹配精度低的不足,提出一种基于自适应权重的改进算法.在代价计算阶段,通过空间相似度加权计算得到参考像素值,设定阈值限定参考值与中心点像素的差异,使算法能够判断中心点是否发生突变并自适应选择中心参考像素值.在代价聚合阶段,引入多尺度聚合策略,将引导滤波作为代价聚合核函数,加...     

基于控制点和RGB向量差联合梯度Census变换的立体匹配算法

为了解决立体匹配算法在弱纹理区域及边界区域匹配精度较低的问题,文中提出基于控制点和RGB向量差联合梯度Census变换的立体匹配算法.首先,使用基于动态时间归整的行匹配算法,寻找最优匹配路径,经过扭曲对齐选取匹配特征点作为控制点.再使用基于RGB向量差代价联合基于梯度Census变换代价作为非控制点的匹配代价,基于梯度...     

基于改进绝对差值代价和动态窗口的立体匹配算法

针对传统的SAD局部立体匹配容易引起幅度失真、存在匹配窗口大小选择困难等问题,提出一种改进SAD局部立体匹配算法。首先在传统的SAD算法的基础上,提出利用像素灰度间欧氏距离的大小关系代替像素差值作为相似度量函数,很好地利用了邻近像素灰度值之间的连续性约束;在极限约束条件下,提出引导滤波器的动态匹配窗口的建立,能够很好地保持边缘特性;最后经过左右一致性检测策略来检测匹配异常点,再进一步平滑去噪,求得最终的视差图。实验结果表明,本文算法效率高、匹配精度高,对光照失真条件和边缘信息较多、深度不连续区域具有更好的鲁棒性。     

基于迭代指导滤波的立体匹配方法

针对立体匹配当中的匹配精度问题,提出一种基于迭代指导滤波的立体匹配方法。该方法首先利用自适应窗口方法根据图像的灰度变化自适应地选择支撑窗口,再根据指导滤波累积原始匹配成本,并采用胜者全取方法计算视差,然后利用计算视差对匹配成本进行修正,进行再次累积并计算视差,最后反复迭代这一过程直到达到最大的迭代次数为止。实验结果表明,该方法可以获得较高精度的视差图,而且对立体像对中的不连续区域具有较强的鲁棒性。     

融合边缘保持与改进代价聚合的立体匹配算法

目的 立体匹配是计算机双目视觉的重要研究方向,主要分为全局匹配算法与局部匹配算法两类。传统的局部立体匹配算法计算复杂度低,可以满足实时性的需要,但是未能充分利用图像的边缘纹理信息,因此在非遮挡、视差不连续区域的匹配精度欠佳。为此,提出了融合边缘保持与改进代价聚合的立体匹配。方法 首先利用图像的边缘空间信息构建权重矩阵,与灰度差绝对值和梯度代价进行加权融合,形成新的代价计算方式,同时将边缘区域像素点的权重信息与引导滤波的正则化项相结合,并在多分辨率尺度的框架下进行代价聚合。所得结果经过视差计算,得到初始视差图,再通过左右一致性检测、加权中值滤波等视差优化步骤获得最终的视差图。结果 在Middlebury立体匹配平台上进行实验,结果表明,融合边缘权重信息对边缘处像素点的代价量进行了更加有效地区分,能够提升算法在各区域的匹配精度。其中,未加入视差优化步骤的21组扩展图像对的平均误匹配率较改进前减少3.48%,峰值信噪比提升3.57 dB,在标准4幅图中venus上经过视差优化后非遮挡区域的误匹配率仅为0.18%。结论 融合边缘保持的多尺度立体匹配算法有效提升了图像在边缘纹理处的匹配精度,进一步降低了非遮挡区域与视差不连续区域的误匹配率。     

一种新颖的自适应权重Census变换立体匹配算法

针对当前Census变换立体匹配算法深度不连续区域匹配精度低的缺陷,提出了一种新颖的自适应权重的Census变换立体匹配算法。在Census变换阶段计算变换窗口中心点上下左右四个像素的均值,得到中心点与该均值的差的绝对值,通过判断该绝对值的大小来确定中心点灰度值;为了有区别地对待窗口内各像素点,引入自适应权重,通过线性分段型函数计算自适应权值。在代价聚合阶段同样引入自适应权重并采用变化的聚合窗口,通过聚合窗口中心点和其左右两点的梯度值来确定聚合窗口的大小。实验结果表明,算法的匹配效果优于目前的Census变换立体匹配算法,在深度不连续区域匹配效果显著改善,而且没有明显降低实时性和增加硬件实现的难度。     

融合灰色尺度的代价聚合的立体匹配

由粗略到精细,分层策略和跨尺度的代价聚合在一定程度上有效地扩展了代价聚集并且能够生成高精度的视差图.这类方法致力于在弱纹理区域找到正确的匹配点从而提高匹配率.然而,这类方法必须以多尺度为前提,通常需要借助图像金字塔.另外,误差的传播以及薄壁结构的复原不理想限制了它们的应用.针对弱纹理匹配的问题,提出了一种通用的融合灰色尺度的代价聚合的立体匹配框架.鉴于高斯滤波后的灰度图像能够更好地表示匹配图像对中的弱纹理区域,该代价聚合融合了灰度图像的代价聚合.同时,算法不需要降采样以及建立图像金字塔,这加快了聚合速度.此外,还引入了引导图像滤波和快速加权中值滤波,用于代价聚合和视差求精.同时,在进行视差选择时,为了避免WTA（winner-take-all）带来的歧义,利用代价聚合后最小值和次小值之间的相互关系来确定最后的视差值.最终,在Middlebury测试平台上的实验结果表明：融合灰色尺度的代价聚合的立体匹配能够有效地提高视差的精度.     

一种行星车视觉系统立体匹配算法

针对行星车视觉导航系统,提出一种立体匹配算法。使用Census变换得到一组二进制码流,通过色彩权重和距离权重完成权重计算,采用双通道的方法累加匹配代价。实验结果表明,该算法在时钟频率为100 MHz的情况下,每秒可处理2幅23帧左右的图像,平均误匹配率低于6%。     

基于改进自适应权重的三边滤波立体匹配算法

针对基于双边滤波器（BF）的自适应权重（ASW）方法不能有效解决由视差不同但颜色相似的像素引起的模糊匹配问题,引入了一种新的基于三边滤波器（TF）的ASW方法,通过局部能量模型计算相邻像素之间的边界强度来提高匹配精度。为了提高匹配速度,将TF算法递归实现,把普通局部立体匹配算法的复杂度从[O(NWD)]降低为[O(N)]。在Middlebury基准测试集上进行实验并与其他局部立体匹配算法进行比较,RTF算法的平均误匹配率为4.91%,匹配精度高于同类型双目立体匹配算法,平均匹配速度达到258 ms,满足了双目立体匹配实时性的需求。     

边缘引导特征融合和代价聚合的立体匹配算法

针对立体匹配在精细结构,尤其边缘处的误差较大的问题,提出了利用边缘引导特征融合和代价聚合的立体匹配算法。利用图像边缘引导不同尺度特征体加权融合,即对小尺度特征体的边缘处,大尺度特征体的非边缘处赋予更大权重,以获得表征能力更强的融合特征体。在代价聚合阶段弱化边缘处匹配代价,减少不可靠信息传播。所提方法在SceneFlow和KITTI 2015数据集进行了评估,将基准网络PSMNet的误差分别降低了35.2%、2.2%。实验证明,边缘信息的引入针对性地改善了现有算法在精细结构处（尤其边缘处）的视差求解,提高了整体预测精度。此外,所提的模块是轻量的,可适用于不同的立体匹配网络。     

融合梯度信息的改进引导滤波

目的 为了有效消除引导滤波平滑图像后产生的光晕现象,提出一种新型的融合梯度信息的改进引导滤波算法。方法 该算法借助引导图像的梯度信息来判断图像边缘位置,并结合指数函数框架设计权值来控制不同图像区域内的平滑倍数,使改进后的引导滤波能够自适应地区分和强调边缘,从而避免边缘附近由于过度模糊所引入的光晕现象。结果 与引导滤波算法相比,本文算法能在保边平滑的同时较好地抑制光晕,并在结构相似性（SSIM）评价和峰值信噪比（PSNR）评价中分别取得最高约30%和15%左右的质量提升。结论 本文算法具有较好的鲁棒性,在图像平滑、图像细节增强、多曝光图像融合等多种图像处理相关应用中均有着良好的表现。     

多元线性回归引导的立体匹配算法

深度图像中视差跳变的像素点匹配一直是立体匹配的挑战性问题之一.基于引导滤波的局部立体匹配算法通过考虑匹配图像内容,可以在保持深度图像边缘的同时提高匹配精度、加快匹配速度,但引导滤波会产生图像光晕,在图像边缘区域也会引入大量的噪声.为此,将引导滤波的岭回归扩展到多元回归,提出一种基于多元线性回归的立体匹配算法.首先将引导滤波中只含图像像素值这一单变量的回归方程扩展为基于图像像素值和梯度信息等多个变量的多元回归方程,对初始代价值进行滤波聚合,并与单独进行引导滤波的匹配代价聚合值进行加权组合提高图像边缘的匹配效果;然后根据代价聚合最小值与次小值之间的相互关系定义了视差选择可信度,解决了视差选择时的歧义问题.在Middlebury测试平台进行了实验的结果表明,文中算法有效地提高深度图像中视差跳变像素点的匹配精度,降低了匹配噪声;与最新的高性能立体匹配算法相比,该算法可以以较小的计算复杂度获得高质量的视差图.     

结合传播滤波的立体匹配算法研究

针对局部立体匹配算法在边缘处容易出现误匹配的问题,本文提出了一种结合权值传播进行代价聚合的局部立体匹配方法。首先采用基于颜色梯度的绝对差及Census方法构造了匹配代价函数;然后,引入传播滤波平滑匹配代价的同时保持视差空间图像边缘,与其他局部滤波器相比,该滤波器利用可传播的权值思想,不受传统局部算法窗口大小的影响;最后,通过左右一致性检查和无效视差值填充获得最终视差图。实验表明,该方法在Middlebury Stereo数据集上可获得精确结果,与Middlebury测试平台上的IGF、TSGO和Dog-Guided算法相比平均误差最低。     

基于跨尺度变窗口代价聚合的快速立体匹配

针对当前局部算法在速度和性能上不能兼顾的问题,提出一种跨尺度变窗口代价聚合的快速立体匹配方法。在图像各内尺度的匹配代价卷用动态支持窗口的盒滤波聚合匹配代价,采取互尺度正则化方法跨尺度聚合匹配代价,利用基于引导滤波权重的加权中值滤波进行视差精化。实验结果表明：该方法匹配精度高,代价聚合与视差精化步骤的时间复杂度都与滤波窗口半径大小无关,在速度和精度上都取得了良好的效果。     

基于线性滤波的树结构动态规划立体匹配算法

传统的动态规划立体匹配算法能有效保证匹配精度的同时提高运行速度, 但得到的视差深度图会出现明显的条纹现象,同时在图像弱纹理区域以及边缘存在较高的误匹配. 针对该问题,提出了一种新的基于线性滤波的树形结构动态规划立体匹配算法. 算法首先运用改进的结合颜色和梯度信息参数可调的自适应测度函数构建左右图像的匹配代价, 然后以左图像为引导图对构建的匹配代价进行滤波; 再运用行列双向树形结构的动态规划算法进行视差全局优化, 最后进行视差求精得到最终的视差图.理论分析和实验结果都表明, 本文的算法能有效地改善动态规划算法的条纹现象以及弱纹理区域和边缘存在的误匹配.     

一种基于自适应支持权重优化的立体匹配算法

立体匹配是图像处理领域的经典问题和研究热点之一。针对原始ASW立体匹配算法中存在的运算时间过长以及遮挡区域的误匹配率高的问题,提出了一种改进优化方法。在自适应支持权重方法的基础上结合Rank变换方法,从参数选择以及立体匹配性能这两个方面对自适应支持权重进行改进,然后对得到的初始视差进行有效视差校准从而得到最终视差。最后利用仿真实验得到匹配精度较高的图像序列视差图,并通过实验结果对比验证了该方法具有很好的可行性。