趙 杰，陳小梅*，侯瑋旻，韓嘉威

（1.北京理工大學(xué) 光電學(xué)院，北京100081；2.北京理工大學(xué) 光電成像技術(shù)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，北京100081）

1 引 言

城市三維重建對(duì)于城市規(guī)劃、智慧城市構(gòu)建具有非常重要的意義，三維重建的核心技術(shù)是立體匹配［1］。研究人員提出了大量的立體匹配算法，其4個(gè)步驟主要包括：（1）匹配代價(jià)計(jì)算；（2）代價(jià)聚合；（3）視差計(jì)算；（4）視差細(xì)化［2］。

在匹配代價(jià)計(jì)算中，學(xué)者們提出了絕對(duì)值差之和（Sum of Absolute differences，SAD）、平方差之和（Sum of Squared differences，SSD）、歸一化互相關(guān)系數(shù)（Normalized Cross Correlation，NCC）、基于互信息的匹配代價(jià)計(jì)算方法以及基于Census變換的匹配代價(jià)計(jì)算方法等。其中，基于Census變換的匹配代價(jià)計(jì)算方法由于它對(duì)于光照度變化不敏感以及計(jì)算效率高得到了廣泛的使用［3-4］。但是Census算法對(duì)于噪聲非常敏感且在弱紋理區(qū)域匹配精度不足，城市衛(wèi)星遙感影像上存在大量的噪聲以及弱紋理區(qū)域，因此該算法對(duì)于城市區(qū)域衛(wèi)星遙感影像無(wú)法取得非常好的效果［4］。

根據(jù)代價(jià)聚合方法的不同，立體匹配算法可分為局部立體匹配算法與全局立體匹配算法［2］。局部立體匹配算法通過(guò)設(shè)定一鄰域窗口的形式，利用像素局部的信息來(lái)表征當(dāng)前像素的匹配特征，增加了可靠性與穩(wěn)定性。全局立體匹配算法在進(jìn)行像素點(diǎn)匹配時(shí)利用了圖像的所有信息，因此在處理具有噪聲、重復(fù)紋理以及遮擋現(xiàn)象的圖像時(shí)表現(xiàn)更為出色［5］。不過(guò)，全局立體匹配算法的計(jì)算效率低于局部立體匹配算法［6］。2008年，Hirschmuller提出了半全局匹配算法（Semi-Global Matching，SGM）［7］，使用動(dòng)態(tài)規(guī)劃算法作為代價(jià)聚合的方法，通過(guò)多個(gè)在一維方向上的優(yōu)化來(lái)代替二維圖像整體代價(jià)優(yōu)化策略，該算法兼顧了局部匹配算法的效率和全局匹配算法的效果［8］。但在以動(dòng)態(tài)規(guī)劃思想作為代價(jià)聚合的過(guò)程中，為保護(hù)視差的連續(xù)性，對(duì)視差不連續(xù)的區(qū)域進(jìn)行了懲罰，這導(dǎo)致視差突變的物體邊緣區(qū)域的視差值準(zhǔn)確度下降［9］。對(duì)于視差細(xì)化部分，子像素?cái)M合、一致性檢查、唯一性約束以及剔除小連通域等方法是常用的視差優(yōu)化方法，但是城市遙感影像具有大量的建筑陰影以及弱紋理的建筑屋頂，上述方法對(duì)這些較低信噪比的區(qū)域難以產(chǎn)生值得信賴的視差值［7］。

綜上所述，本文設(shè)計(jì)了一個(gè)基于改進(jìn)的Census變換的匹配代價(jià)函數(shù)，它保持了Census變換對(duì)光照變化不敏感的特性，同時(shí)具有較強(qiáng)的抗噪能力，對(duì)匹配點(diǎn)相似度的刻畫(huà)更加細(xì)膩。代價(jià)聚合時(shí)，在動(dòng)態(tài)規(guī)劃優(yōu)化方法的基礎(chǔ)上，增強(qiáng)了物體邊緣保護(hù)能力；在常規(guī)視差細(xì)化方法的基礎(chǔ)上，針對(duì)城市區(qū)域衛(wèi)星遙感影像中存在的大量建筑陰影、弱紋理建筑屋頂?shù)葏^(qū)域?qū)е碌钠ヅ湟暡畈粶?zhǔn)確現(xiàn)象提出了針對(duì)性的細(xì)化策略。

2 基于改進(jìn)Census變換的匹配代價(jià)

基于Census變換的匹配代價(jià)計(jì)算通過(guò)利用鄰域像素相對(duì)于中心像素的亮度關(guān)系作為該中心像素的局部特征信息，利用漢明距離作為衡量左右兩幅圖像中對(duì)應(yīng)像素的相似度度量［10］。Census變換的步驟為取中心像素p的一鄰域M，鄰域內(nèi)的像素值若是大于中心像素值便記為1，否則記為0。表達(dá)式如下：

其中：C表示變換結(jié)果；p表示中心像素；qi表示鄰域像素；I(p)和I(qi)分別表示對(duì)應(yīng)的灰度值。

將中心像素p與鄰域每一像素點(diǎn)進(jìn)行比較得到反映p點(diǎn)局部特征的二進(jìn)制串。通過(guò)比較左右兩幅圖像對(duì)應(yīng)像素點(diǎn)的二進(jìn)制串的亦或關(guān)系得到這兩點(diǎn)的相似度，即匹配代價(jià)。

該方法簡(jiǎn)單迅速，利用相對(duì)亮度作為特征，因此對(duì)于兩幅匹配圖像之間的光照變化并不敏感。但是該方法只將中心點(diǎn)鄰域像素劃分為兩種情況，并且劃分過(guò)程過(guò)于依賴中心點(diǎn)像素，若中心像素灰度值因?yàn)樵肼暤扔绊懓l(fā)生較大變化，變換結(jié)果會(huì)產(chǎn)生較大的偏差［11］。例如，某一中心像素灰度值略大于所有鄰域像素的灰度值，因此變換后的二進(jìn)制串結(jié)果應(yīng)是一串0，若噪聲使得中心像素灰度值小于鄰域像素灰度值，則會(huì)得到一串1的二進(jìn)制串。此外，該方法能夠區(qū)分的視差層級(jí)完全局限于所取鄰域的大小，若取5×5則只能分辨25個(gè)層級(jí)，不能得到非常細(xì)膩的視差值。

本文提出一種n階加權(quán)的Census變換算法，以適應(yīng)城市衛(wèi)星遙感影像大量噪聲及弱紋理區(qū)域的問(wèn)題。n階加權(quán)Census算法的思想依舊沿用Census變換中利用相對(duì)亮度作為特征以應(yīng)對(duì)光照變化，但不再以中心像素作為標(biāo)準(zhǔn)，而是以整個(gè)鄰域內(nèi)亮度均值作為比較標(biāo)準(zhǔn)，利用鄰域內(nèi)像素灰度值的最大值、最小值以及設(shè)置的n個(gè)閾值將整個(gè)鄰域劃分為n個(gè)狀態(tài)。計(jì)算方法如下：

其中：Imin與Imax分別代表p點(diǎn)鄰域像素內(nèi)的最小灰度值與最大灰度值；n代表n個(gè)狀態(tài)；Ith1，Ith2，Ith(n-1)分別代表第1個(gè)閾值、第2個(gè)閾值以及第n-1個(gè)閾值。

由于整個(gè)鄰域像素被劃分為n種狀態(tài)，所獲得的匹配代價(jià)比兩匹配點(diǎn)的相似性度量更加細(xì)膩。

基于越靠近中心像素，越能代表中心像素局部信息特征的事實(shí)，對(duì)n階Census變換得到的數(shù)串進(jìn)行相似度度量時(shí)，加入距離權(quán)重信息。兩匹配像素在分別經(jīng)過(guò)n階Census變換之后得到兩數(shù)串，兩數(shù)串內(nèi)對(duì)應(yīng)數(shù)值之差的和越小，兩像素越相似，因此定義以n階加權(quán)Census變換為基礎(chǔ)的匹配代價(jià)計(jì)算為：

其中：Xl為左圖像素p點(diǎn)經(jīng)n階Census變換之后的數(shù)串，Xr為右圖匹配點(diǎn)經(jīng)n階Census變換之后的數(shù)串，xl，i與xr，i分別為Xl與Xr內(nèi)一數(shù)值，c為對(duì)應(yīng)鄰域像素與p點(diǎn)之間的距離。

3 邊緣引導(dǎo)優(yōu)化的匹配代價(jià)聚合

匹配代價(jià)計(jì)算通常使用鄰域像素的灰度信息來(lái)計(jì)算兩像素之間的匹配程度，這很容易受到圖像噪聲、弱紋理或重復(fù)紋理等因素的影響［12］。代價(jià)聚合則是通過(guò)建立像素之間的聯(lián)系，以一定的準(zhǔn)則，例如相鄰像素應(yīng)該具有連續(xù)的視差值，來(lái)優(yōu)化第一步得到的匹配代價(jià)矩陣，使匹配代價(jià)值能夠準(zhǔn)確地反映像素之間的相關(guān)性。SGM算法［7］采用在多個(gè)一維方向的優(yōu)化代替在二維圖像整體進(jìn)行優(yōu)化的思想，兼顧了局部匹配算法的效率和全局匹配算法的效果，因此得到了廣泛的應(yīng)用［13-14］。

SGM算法的匹配代價(jià)聚合方法通過(guò)動(dòng)態(tài)規(guī)劃優(yōu)化的能量函數(shù)為：

其中：第一項(xiàng)為視差為D的所有像素的匹配代價(jià)之和；第二項(xiàng)表示對(duì)于像素p鄰域N p內(nèi)的所有像素q，若其視差相對(duì)于p點(diǎn)視差變化為1，則加一懲罰值P1，第三項(xiàng)表示對(duì)于像素p鄰域N p內(nèi)的所有像素q，若其視差相對(duì)于p點(diǎn)視差變化大于1，則加一懲罰值P2。

該能量函數(shù)基于這樣一個(gè)假設(shè)，即某像素鄰域內(nèi)的視差值應(yīng)與該像素視差值相等或相差很小，因此對(duì)于視差變化較大的區(qū)域加一較大的懲罰項(xiàng)P2。當(dāng)一個(gè)匹配使得所有匹配點(diǎn)對(duì)應(yīng)的匹配代價(jià)和最小時(shí)，得到最優(yōu)匹配。但是城市區(qū)域遙感影像包含大量的建筑分布，因此存在視差變化較大的區(qū)域，若通過(guò)式（4）優(yōu)化則建筑邊緣處的匹配效果較差。

若能夠提前知道圖像中視差變化較大的位置，則可以對(duì)這些位置設(shè)置一個(gè)較小的P2懲罰值，從而解決視差變化區(qū)域難以得到較小匹配代價(jià)問(wèn)題。視差變化較大的區(qū)域一般發(fā)生在建筑屋頂?shù)倪吘壩恢谩D像的梯度信息一定程度上體現(xiàn)了圖像的邊緣信息，梯度較大的位置較有可能位于物體邊緣位置，因此可以通過(guò)求解圖像梯度的方法獲得建筑的邊緣，進(jìn)而根據(jù)梯度幅值設(shè)置合理的P2懲罰值。P2的取值原則如下：

其中：P2c為大視差懲罰值，g為該像素位置處的梯度幅值，P1為式（4）中的懲罰值。

4 基于場(chǎng)景的視差優(yōu)化

視差細(xì)化時(shí)，通常使用子像素?cái)M合的方法使當(dāng)前獲得的整像素級(jí)視差精度提高到子像素精度，使用一致性檢測(cè)和唯一性約束來(lái)提高匹配結(jié)果的置信度，通過(guò)剔除小連通域來(lái)減小錯(cuò)誤視差區(qū)域［7］。對(duì)于大多數(shù)場(chǎng)景，這些方法能夠達(dá)到較好的視差細(xì)化效果，但是由于城市區(qū)域衛(wèi)星遙感影像存在大量的建筑陰影和建筑屋頂?shù)娜跫y理，上述方法無(wú)法在陰影區(qū)域取得準(zhǔn)確的視差，并獲得建筑屋頂?shù)耐暾暡?。因此，針?duì)城市區(qū)域需要進(jìn)行陰影去除和提高屋頂視差的完整度。

4.1 陰影檢測(cè)及去除算法

建筑陰影區(qū)域的信噪比非常低，幾乎無(wú)法獲得有助于匹配的信息。陰影與非陰影的邊緣區(qū)域因?yàn)橄袼亓炼茸兓?，容易被認(rèn)為是視差不連續(xù)區(qū)域，從而導(dǎo)致誤匹配。因此，通過(guò)檢測(cè)圖像中的陰影區(qū)域，進(jìn)而對(duì)視差圖中陰影區(qū)域進(jìn)行處理可減小陰影帶來(lái)的影響。

本文采用雙峰陰影檢測(cè)法。城市衛(wèi)星遙感影像的直方圖具有明顯的雙峰現(xiàn)象，如圖1所示，其中小于峰谷的像素值可認(rèn)為是場(chǎng)景中的陰影區(qū)域［15-16］。雙峰法陰影檢測(cè)結(jié)果如圖2所示。

圖1 城市衛(wèi)星遙感影像直方圖Fig.1 Histogram of urban satellite remote sensing image

圖2 雙峰法陰影檢測(cè)結(jié)果Fig.2 Shadow detection result of double peak method

陰影一般是由太陽(yáng)光照射到建筑表面投影到地面或者較低的建筑屋頂造成的，因此陰影區(qū)域的視差值應(yīng)與其鄰域內(nèi)高程值較小的視差值相同。本文使用陰影周圍其他像素點(diǎn)的視差信息對(duì)陰影區(qū)域視差值進(jìn)行合理推斷，并進(jìn)行填充修正。陰影區(qū)域視差值修正填充流程如下：

（1）獲取陰影區(qū)域周圍鄰域像素。首先，基于形態(tài)學(xué)的方法對(duì)檢測(cè)到的陰影連通域進(jìn)行膨脹操作；然后，使用膨脹之后的陰影連通域減去原始陰影連通域，由此得到陰影區(qū)域周圍鄰域像素M。計(jì)算公式如下：

其中：A為陰影連通域，B為3×3矩陣模板，⊕為形態(tài)學(xué)膨脹操作，M為陰影區(qū)域周圍鄰域像素。

（2）分析統(tǒng)計(jì)陰影鄰域區(qū)域像素的視差數(shù)值。由式（1）獲得M陰影鄰域統(tǒng)計(jì)視差信息相同的相鄰像素的個(gè)數(shù)，其中具有相同視差的連續(xù)像素點(diǎn)個(gè)數(shù)占比超過(guò)一定閾值ε（本文設(shè)置為0.25），且高程信息較小的高程值即是合理的陰影區(qū)域填充視差值。圖3為陰影鄰域區(qū)域視差示意圖。圖4為去除陰影影響的圖像，由此可以看出該步驟對(duì)減小陰影影響具有非常好的效果。

圖3 陰影鄰域區(qū)域視差示意圖Fig.3 Disparity diagram of shaded neighborhood area

圖4 陰影區(qū)域視差修正結(jié)果Fig.4 Results of disparity correction in shadow area

4.2 基于建筑區(qū)域提取的建筑屋頂視差優(yōu)化

由于城市內(nèi)建筑物屋頂大多為弱紋理區(qū)域，該區(qū)域像素值變化不大，可提供給立體匹配算法的可用信息較少，造成視差圖中屋頂區(qū)域存在一些空洞，并且鄰域內(nèi)視差分布不平整。這種情形下，可采用基于區(qū)域生長(zhǎng)的分割算法。由于建筑屋頂大多為矩形，因此在分割算法中輔以直線段檢測(cè)算法，進(jìn)一步分割邊緣位置，得到較為精確的建筑屋頂分割區(qū)域。城市中大多數(shù)的建筑屋頂都是水平平面，同一建筑屋頂具有相同的高程，也即擁有相同的視差。因此，以區(qū)域分割輔以直線段檢測(cè)的方法得到建筑屋頂區(qū)域；平均建筑屋頂區(qū)域視差得到平整的屋頂視差［17］。分割算法可以準(zhǔn)確地檢測(cè)建筑屋頂區(qū)域，得到完整的建筑屋頂視差。

基于區(qū)域分割，輔以直線段檢測(cè)的建筑屋頂分割算法和建筑區(qū)域視差平整算法分別用偽代碼Algorithm 1，Algorithm 2表示，如圖5所示。

圖5 算法偽代碼Fig.5 Algorithm pseudocode

5 實(shí)驗(yàn)及分析

本文提出的立體匹配算法以基于n階Census變換的匹配代價(jià)為代價(jià)計(jì)算方法，以保留物體邊緣信息動(dòng)態(tài)規(guī)劃方法為代價(jià)聚合，并以WTA策略作為代價(jià)計(jì)算方法，同時(shí)針對(duì)城市陰影以及建筑屋頂進(jìn)行視差優(yōu)化。首先在Middle-Bury實(shí)驗(yàn)數(shù)據(jù)集上對(duì)本算法的通用性及準(zhǔn)確性進(jìn)行了驗(yàn)證，然后在真實(shí)的城市遙感影像對(duì)上進(jìn)行了實(shí)驗(yàn)。

5.1 算法代價(jià)計(jì)算及代價(jià)聚合改進(jìn)效果的實(shí)驗(yàn)

MiddleBury實(shí)驗(yàn)數(shù)據(jù)數(shù)據(jù)集是2001年Schaestein等為統(tǒng)一評(píng)價(jià)已有的各種立體匹配算法的效果而創(chuàng)建的數(shù)據(jù)集。該數(shù)據(jù)集包含多個(gè)場(chǎng)景，每個(gè)場(chǎng)景包含左視圖和右視圖，以及對(duì)應(yīng)的左視差圖和右視差圖［2］，可以方便對(duì)算法得到的視差圖與真實(shí)視差圖進(jìn)行比較，因此在立體匹配算法的效果評(píng)價(jià)中得到了廣泛的應(yīng)用。MiddleBury實(shí)驗(yàn)數(shù)據(jù)集可在https：//vision.middlebury.edu/stereo/data/獲得。本文使用Middle-Bury實(shí)驗(yàn)數(shù)據(jù)數(shù)據(jù)集中多個(gè)場(chǎng)景對(duì)本文算法的效果進(jìn)行了驗(yàn)證，并與網(wǎng)站中SGM算法的實(shí)驗(yàn)結(jié)果進(jìn)行比較。

MiddleBury實(shí)驗(yàn)數(shù)據(jù)集中Piano場(chǎng)景的實(shí)驗(yàn)結(jié)果如圖6所示。相較于SGM，本文提出的算法可得到更完整的物體輪廓和精準(zhǔn)的物體邊緣視差圖。

圖6 MiddleBury數(shù)據(jù)集Piano場(chǎng)景圖像的實(shí)驗(yàn)結(jié)果Fig.6 Experimental renderings of Piano scene images in MiddleBury dataset

在MiddleBury實(shí)驗(yàn)數(shù)據(jù)集的網(wǎng)站中默認(rèn)展示了各種立體匹配算法（包括SGM算法）誤差大于2的像素占總像素?cái)?shù)的百分比。因此，這里將視差誤差小于2的像素認(rèn)定為匹配正確，統(tǒng)計(jì)正確匹配像素占總像素?cái)?shù)的比例作為準(zhǔn)確率（acc），以反映計(jì)算所得視差和真實(shí)視差之間的差異性，計(jì)算方法如下：其中：cond Small(S，T，a，b)表示若S小于T為真，則取a，否則取b；d表示計(jì)算得到的視差；d G表示真實(shí)視差；M表示圖像像素個(gè)數(shù)。

表1展示了本文算法與SGM算法在Middle-Bury實(shí)驗(yàn)數(shù)據(jù)多個(gè)場(chǎng)景下準(zhǔn)確率的統(tǒng)計(jì)結(jié)果。由表1可知，在改進(jìn)匹配代價(jià)函數(shù)以及代價(jià)聚合優(yōu)化函數(shù)之后，本算法在多個(gè)場(chǎng)景下都取得了更高的準(zhǔn)確率。在各場(chǎng)景下本算法的準(zhǔn)確率平均值相較SGM算法提升了4.43%。

表1 Middlebury實(shí)驗(yàn)數(shù)據(jù)集上算法的準(zhǔn)確率Tab.1 Accuracy rate of algorithms on Middlebury experimental dataset （%）

5.2 真實(shí)遙感影像實(shí)驗(yàn)

World View-2于2009年10月發(fā)射，是第一顆高分辨率8波段多光譜商業(yè)衛(wèi)星，能夠提供0.5 m分辨率的立體影像產(chǎn)品。為了檢驗(yàn)該算法在城市區(qū)域衛(wèi)星遙感影像對(duì)上進(jìn)行立體匹配的可行性，實(shí)驗(yàn)使用的WorldView-2衛(wèi)星遙感影像對(duì)如圖7所示。

圖7 World View-2國(guó)家圖書(shū)館區(qū)域遙感影像對(duì)Fig.7 WorldView-2 national library regional remote sensing image pair

為展示本文算法在應(yīng)對(duì)場(chǎng)景亮度變化方面的效果，使用WorldView-2衛(wèi)星拍攝的國(guó)家圖書(shū)館區(qū)域遙感影像對(duì)進(jìn)行了實(shí)驗(yàn)，該場(chǎng)景中包含明顯的亮度變化，嚴(yán)重影響立體匹配算法的準(zhǔn)確性，實(shí)驗(yàn)結(jié)果如圖8所示。

由圖8可以看出，以基于n階加權(quán)Census算法作為匹配代價(jià)函數(shù)以及保留物體邊緣的代價(jià)聚合策略的立體匹配算法，可以很好地應(yīng)用于城市衛(wèi)星遙感影像對(duì)的立體匹配中，同時(shí)本文算法比SGM算法具有更少的誤匹配點(diǎn)，圖像邊緣更細(xì)膩。

圖8 WorldView-2遙感影像對(duì)上不同算法的效果圖Fig.8 Algorithm renderings on WorldView-2 remote sensing image pair

為驗(yàn)證本文所提的在建筑屋頂區(qū)域的視差優(yōu)化方法，使用與圖7同一景影像中建筑密度以及復(fù)雜程度更高的場(chǎng)景進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)原圖如圖9所示，該場(chǎng)景中還包含大量的陰影區(qū)域。建筑屋頂視差優(yōu)化的實(shí)驗(yàn)結(jié)果如圖10所示，可以看出，經(jīng)過(guò)優(yōu)化后的視差圖更加平滑，建筑屋頂完整度更高。

圖9 建筑屋頂視差修正實(shí)驗(yàn)原圖Fig.9 Original images of building roof parallax in correction experiment

圖10 建筑屋頂區(qū)域視差優(yōu)化效果圖Fig.10 Disparity optimization images of roof area of building

由于遙感影像對(duì)沒(méi)有標(biāo)準(zhǔn)的Ground Truth視差圖作為比較，對(duì)于城市區(qū)域遙感影像對(duì)的匹配結(jié)果只從主觀視覺(jué)進(jìn)行了分析。為了定量分析其效果，本文利用基于有理函數(shù)的三維重建方法，由本文算法獲得的視差圖10（b）計(jì)算對(duì)應(yīng)的數(shù)字 高 程 模 型（Digital Elevation Model，DEM）圖［18］，結(jié)果如圖11所示。

由先驗(yàn)知識(shí)可知，城市建筑的屋頂大多為水平平面，其高程一致，因此可通過(guò)計(jì)算建筑屋頂平面的高程方差來(lái)評(píng)價(jià)算法的準(zhǔn)確度。選取圖11中不同高程、不同建筑的a，b，c 3個(gè)區(qū)域進(jìn)行分析，分別計(jì)算3個(gè)區(qū)域內(nèi)的高程均值以及高程方差，結(jié)果如表2所示。

圖11 基于WorldView-2衛(wèi)星遙感影像視差圖的DEM圖Fig.11 DEM map based on disparity map of WorldView-2 satellite remote sensing image

由表2可知，a區(qū)域的高程方差為1.739 0，b區(qū)域的高程方差為0.009 8，c區(qū)域方差為0.37，3個(gè)區(qū)域的方差平均值為0.71，這表示本算法可以得到比較平整的建筑屋頂重建效果，準(zhǔn)確性較高。

表2 建筑屋頂高程數(shù)據(jù)統(tǒng)計(jì)信息Tab.2 Statistical information of building roof elevation data

6 結(jié) 論

本文為解決城市遙感影像多建筑陰影以及建筑屋頂無(wú)紋理導(dǎo)致立體匹配效果不理想的問(wèn)題，提出了適用于城市遙感影像對(duì)的立體匹配方法。首先，提出了基于改進(jìn)Census變換的代價(jià)計(jì)算方法。然后，利用建筑邊緣信息強(qiáng)化了算法在屋頂邊緣處匹配的穩(wěn)定性。最后，給出了建筑陰影區(qū)域以及建筑屋頂區(qū)域的視差修正方法。實(shí)驗(yàn)結(jié)果表明：在MiddleBury數(shù)據(jù)集上，本文算法的準(zhǔn)確率比經(jīng)典SGM算法高4.43%；在城市區(qū)域WorldView-2立體影像對(duì)上，建筑屋頂?shù)母叱谭讲顬?.71。該方法滿足基于城市衛(wèi)星遙感影像對(duì)獲取高精度視差圖的要求，能夠?yàn)槌鞘腥S重建提供良好的條件。