[发明专利]一种新型立体匹配优化方法

权利要求书

1.一种新型立体匹配优化方法，其特征在于包括以下步骤：

S1：输入双摄像头拍摄后经过校正的、图像类型为RGB的左右图像，将所述左右图像转换为灰度图，设定其中一个为参考图像，另一个为检索图像，进行局部匹配；

S2：建立自适应窗口；

S3：根据欧式空间的接近性和Lab颜色空间的相似性，构造自适应权重；

S4：构造匹配代价：

S5：根据胜者为王算法，计算初始视差；

S6：根据左右一致性原则剔除误匹配点，再用邻点法补充剔除的误匹配点；

S7：应用边缘约束算法进行视差聚类，得到优化视差图。

2.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S1中，初始局部匹配的窗口大小为7×7。

3.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S2中，建立自适应窗口，包括以下步骤：

S2.1、根据高斯差分函数处理图像；

计算高斯差分图像的公式如下：

DOG(x,y)＝|g₁(x,y)-g₂(x,y)|＝|G_σ1(x,y)*I(x,y)-G_σ2(x,y)*I(x,y)|

式中，I(x,y)为图像的灰度值，G_σ1(x,y)和G_σ2(x,y)分别为σ为σ1，σ2时的高斯函数，*为卷积符号，g₁(x,y)和g₂(x,y)分别为滤波后的灰度图像；

S2.2、阈值分割：

D(x,y)为高斯差分图像DOG(x,y)的阈值分割图像，T_D为阈值；

S2.3、像素统计：

统计初始窗口范围内像素点的个数来判断纹理的丰富程度；

统计大小为K×K窗口内大于阈值T_D的像素点个数，若个数小于ε，则为低纹理区域，反之，则为纹理丰富区域；

S2.4、自适应选择窗口大小：若像素统计的结果为低纹理区域，则选择较小窗口；反之，则选择较大窗口。

4.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S3中，构造自适应权重方法包括：

将RGB图像转换为Lab图像，结合Lab颜色空间和欧氏空间计算像素点权重，公式如下：

其中：p为窗口中心像素点，q为窗口内其他任意一点，x,y分别表示欧式空间中的坐标值，L表示Lab颜色空间的亮度，a代表红色/品红色和绿色之间的位置，b代表黄色和蓝色之间的位置，λ_d,λ_c分别表示距离差异系数和颜色差异系数。

5.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S4中，构造匹配代价的方法包括：

先根据RGB颜色空间分量和高斯差分分量的差异性，构造基本初始匹配代价，再结合自适应权重形成用于计算视差的匹配代价；

其基本初始匹配代价的构造公式如下：

其中：就是q,之间的初始匹配代价，I_c表示像素点所在颜色空间的色度值，为像素点q,之间高斯差分图像差分的绝对值，其构造公式为：

DOG所表示的就是高斯差分图像，其具体构造方式如下：

DOG(x,y)＝|g₁(x,y)-g₂(x,y)|＝|G_σ1(x,y)*I(x,y)-G_σ2(x,y)*I(x,y)|

式中，I(x,y)为图像的灰度值，G_σ1(x,y)和G_σ2(x,y)分别为σ为σ1，σ2时的高斯函数，*为卷积符号，g₁(x,y)和g₂(x,y)分别为滤波后的灰度图像；

用于计算视差的匹配代价构造如下：