結合最小生成樹的立體匹配算法

北方民族大學電氣信息工程學院 沈書好 白偉華

結合最小生成樹的立體匹配算法

北方民族大學電氣信息工程學院 沈書好 白偉華

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

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變換加權提取特征，再運用最小生成樹進行匹配代價聚合，再濾除壞點視差更新，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、右兩幅圖像進行橫軸方向的sobel邊緣檢測，固定截斷閾值，得到左、右橫向灰度梯度圖。

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

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

3 Census變換

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

也可依據(jù)高斯分布在左圖某點周圍進行偶數(shù)多次采樣；每兩個采樣點合成一組，以組集作為該點的模板，組內(nèi)進行比較，再對結果進行0、1編碼[1]。在設置不同的視差d時，對以左圖某點同樣模板對右圖中比該點橫坐標小d的點進行編碼，并這兩漢明碼的距離作為左圖這點視差為d的匹配代價。

4 最小生成樹MST代價聚合

D(s,v)與s、v兩點距離和顏色的差值相關，構建最小生成樹每兩點之間的權值w設置如式(2)所示：

如式(3)，計算自底向上聚合代價，其中sc是s的子節(jié)點。

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

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

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

5 總結

本文采取最小生成樹MST進行匹配代價聚合，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Census變換的立體匹配算法[J]．計算機應用研究,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．