[发明专利]基于跨尺度的随机游走立体匹配方法

摘要

本发明涉及一种基于跨尺度的随机游走立体匹配方法，包括：(1)对参考图像和目标图像分别进行高斯下采样，得到不同尺度的参考图像；对不同尺度的参考图像和目标图像分别采用加权的Census变换和梯度信息相结合的匹配代价；选取超像素成本函数；使用线性迭代聚类的方法进行超像素分割；使用改进的重启动与随机游走算法对超像素分割结果做全局上的优化；对各个尺度的参考图像和目标图像，进行正则化融合到原始分辨率尺寸上；对得到的聚合结果采用WTA策略分别获取参考图像和目标图像的最优视差图；对所得视差图进行后处理，采用左右一致性检测、权重中值滤波来提高最终的视差图精度。

主权项

1.一种基于跨尺度的随机游走立体匹配方法，包括下列步骤：(1)对参考图像I_R和目标图像I_T分别进行尺度为5的高斯下采样，得到不同尺度的参考图像I_{R_n}和目标图像I_{T_n}，其中n为尺度层编号且n∈{1，2，3，4，5}。(2)对不同尺度的参考图像和目标图像分别采用加权的Census变换和梯度信息相结合的匹配代价，方法如下：A.利用Census变换将左右视图的像素转化为二值向量然后和周围支持窗口的像素作比较，通过计算左右视图的汉明距离来得出匹配代价C(u,v,d),再找出基于视差d的最小匹配代价值min(C(u,v,d),τ_c)；B.采用同样的方法可得基于梯度信息的最小匹配代价值min(G(u,v,d),τ_g)，其中(u,v)表示像素点坐标，τ_c和τ_g用于截断匹配代价值；C.得到的初始匹配代价P(u,v,d)：P(u,v,d)＝σ_c min(C(u,v,d),τ_c)+σ_gmin(G(u,v,d),τ_g)其中σ_c和σ_g分别为Census项的权重参数和梯度项的权重参数；(3)选取超像素成本函数F(q,d)：其中q表示超像素区域，n_q表示属于超像素区域q中像素的数量；(4)使用线性迭代聚类的方法进行超像素分割；(5)使用改进的重启动与随机游走算法对超像素分割结果做全局上的优化，优化采用的迭代公式如下：其中表示最初的代价聚合值，表示更新的代价值，t表示迭代次数，k表示超像素数量，c是重启动概率，权重矩阵W＝[w_ij]_k×k，是通过归一化权重矩阵W的行来得到的，其中I(s_i)和I(s_j)分别表示邻域超像素区域i和j的像素强度，τ_e和σ_e是调整函数输出的参数；(6)对各个尺度的参考图像I_{R_n}和目标图像I_{T_n}，进行正则化融合到原始分辨率尺寸上，并对所得视差图进行引导滤波来有效突出图像边缘信息，通过建立一个跨尺度的代价聚合模型，对各个尺度得到的聚合代价值以添加正则化项的方式进行融合：式中上标s为下采样尺度空间,S为下采样的最大次数；其中为以像素点i为中心核窗口内的其他像素点，K(i^s,j^s)为用来衡量像素点i^s,j^s之间相似性的相似性核，K(i^s,j^s)为本文所提代价聚合算法输出值为归一化常数，z^s为待计算的匹配代价；为匹配代价迭代去噪声过程中最终输出值，即最终去噪声的匹配代价，λ为正则化因子；最终融合多个尺度的代价聚合值到原始分辨率尺寸上；(7)对得到的聚合结果采用WTA策略分别获取参考图像和目标图像的最优视差图；(8)对所得视差图进行后处理，采用左右一致性检测、权重中值滤波来提高最终的视差图精度。