一种基于GPU的快速半全局优化深度图计算方法

由于图像集规模巨大、匹配信息丰富,快速精准多视图立体匹配受计算效率严重制约。针对该问题,提出一种基于GPU的快速半全局优化深度图计算方法。首先,在CPU上通过平面扫描方法计算单张图像初始匹配代价。然后,提出GPU半全局优化并行计算架构,对匹配代价进行聚合,其核心算法为:在全局进行各方向聚合任务流并行以提升众核处理器的利用率;在局部通过将各像素计算任务准确分配到各线程块内实现并行处理,且注重GPU上数据重用以避免带宽限制。再通过GPU滤波剔除突变点进行图像增强。最后,将3维空间点在各深度图像上的一致性作为异常值检测和优化的约束条件。在多组数据集上测试结果显示,该方法计算速度最高为多核CPU系统中开启2线程实现方法的22.41倍,为开启8线程实现方法的9.13倍,且与两者精度相当;与同类深度图计算方法比较结果表明,该方法在重建过程中加速效果均为其他算法的5倍及以上;通过使用开源点云比较软件在标准测试数据集上与其他算法比较,验证了该方法能有效提高重建结果的精度和完整度。

基于半全局优化的资源三号卫星影像DSM提取方法

提出了一种基于物方半全局优化的资源三号卫星影像数字表面模型(digital surface model,DSM)提取方法,将半全局优化策略和影像金字塔结合,利用上一层金字塔的匹配结果来动态确定下一层每个像点的搜索范围,打破了半全局匹配需要建立匹配代价立方体的局限;以互信息和影像局部结构描述算子(CENSUS)距离加权和作为匹配代价函数,结合可疑区域探测技术,实现了高精度的DSM提取。通过实验对影响DSM精度的因素进行了总结分析。