北方民族大學(xué)電氣信息工程學(xué)院 沈書好 白偉華

結(jié)合最小生成樹的立體匹配算法

北方民族大學(xué)電氣信息工程學(xué)院 沈書好 白偉華

結(jié)合最小生成樹的立體匹配算法能夠得到更精確的視差圖，先運(yùn)用相對灰度差與Census變換提取特征，以顏色和空間距離為權(quán)值建立最小生成樹，以此進(jìn)行匹配代價(jià)聚合，獲得結(jié)果視差圖。

最小生成樹MST；視差圖；Census變換；相對灰度差

1 算法流程

校正過左、右圖像之后，先通過相對灰度差匹配和Census變換加權(quán)提取特征，再運(yùn)用最小生成樹進(jìn)行匹配代價(jià)聚合，再濾除壞點(diǎn)視差更新，得到視差圖。主要算法框圖如圖1所示。

圖1 立體匹配框圖

2 相對灰度差匹配

首先，對左、右兩幅圖像進(jìn)行橫軸方向的sobel邊緣檢測，固定截?cái)嚅撝担玫阶?、右橫向灰度梯度圖。

再計(jì)算半像素點(diǎn)的梯度值，即水平方向上兩個(gè)相鄰像素點(diǎn)梯度值的平均。然后拿每一點(diǎn)與前、后半像素點(diǎn)的梯度值進(jìn)行比較，求出極值。最后計(jì)算從左向右的相對灰度差匹配代價(jià)C(p,d)，如式(1)：

其中p為左圖中一點(diǎn)，q為右圖中一點(diǎn)，q橫坐標(biāo)比p小d個(gè)像素。IL(P)、IR(P)分別為點(diǎn)p、點(diǎn)q的灰度梯度值。ILmin(P)、ILmax(P)與IRmin(q)、IRmax(q)分別為p與點(diǎn)q的梯度極小值、極大值。

3 Census變換

傳統(tǒng)Census變換是比較一點(diǎn)像素值和它四周的點(diǎn)的像素值，然后進(jìn)行漢明編碼，即四周的點(diǎn)的像素值大于等于中心點(diǎn)，編碼為1；反之，編碼為0。再對點(diǎn)與點(diǎn)之間漢明碼進(jìn)行異或運(yùn)算求得漢明距離作為匹配代價(jià)。

也可依據(jù)高斯分布在左圖某點(diǎn)周圍進(jìn)行偶數(shù)多次采樣；每兩個(gè)采樣點(diǎn)合成一組，以組集作為該點(diǎn)的模板，組內(nèi)進(jìn)行比較，再對結(jié)果進(jìn)行0、1編碼[1]。在設(shè)置不同的視差d時(shí)，對以左圖某點(diǎn)同樣模板對右圖中比該點(diǎn)橫坐標(biāo)小d的點(diǎn)進(jìn)行編碼，并這兩漢明碼的距離作為左圖這點(diǎn)視差為d的匹配代價(jià)。

4 最小生成樹MST代價(jià)聚合

D(s,v)與s、v兩點(diǎn)距離和顏色的差值相關(guān)，構(gòu)建最小生成樹每兩點(diǎn)之間的權(quán)值w設(shè)置如式(2)所示：

如式(3)，計(jì)算自底向上聚合代價(jià)，其中sc是s的子節(jié)點(diǎn)。

再自頂向下代價(jià)進(jìn)行聚合，如式(4)，其中spr是s的父節(jié)點(diǎn)[2]。

由以上兩式兩步可以對整張圖進(jìn)行全局代價(jià)聚合，也可以通過shift-means顏色分割圖像，再對分割的每個(gè)小塊進(jìn)行這兩步代價(jià)聚合。對于每個(gè)點(diǎn)選取最小聚合代價(jià)所對應(yīng)的視差為最終視差，得到左圖視差圖。

根據(jù)上述對右圖點(diǎn)進(jìn)行最小生成樹的代價(jià)聚合，中得到右圖視差圖。最后，通過左右一致性進(jìn)行檢測，視差一致的點(diǎn)視為穩(wěn)定點(diǎn)。再對所得視差圖以公式(5)設(shè)置不同視差d下的代價(jià)聚合。其中當(dāng)s是穩(wěn)定點(diǎn)時(shí)，D(s)代表它在左視差圖中算得的視差。

5 總結(jié)

本文采取最小生成樹MST進(jìn)行匹配代價(jià)聚合，可以獲得更高的視差圖精度。

[1]雷磊,鄭江濱,宋雪梅．基于改進(jìn)Census變換的立體匹配算法[J]．計(jì)算機(jī)應(yīng)用研究,2013,30(10):3185-3188．

[2]Yang Q．A non-local cost aggregation method for stereo matching[C]//Computer Vision and Pattern Recognition(CVPR),2012 IEEE Conference on．IEEE,2012:1402-1409．