SAR立体影像匹配的视差图融合方法

提出了一种基于视差图融合的匹配方法。首先,基于归一化互相关系数(normalized cross correlation,NCC),利用多个不同尺寸的匹配窗口分别进行匹配,获取相应的视差图;然后,提出了一种左右一致性(left right consistency,LRC)和信噪比(signal to noise ratio,SNR)相结合的置信测度,用来评价视差图中每个视差的置信水平;在此基础上,提出了一种视差图融合策略,该策略对上述多个匹配窗口获取的视差图进行加权融合,融合时既考虑了视差本身的置信水平,也兼顾了其邻域视差的影响。采用TanDEM-X的聚束立体影像进行试验,结果表明,本文方法能有效减少DEM粗差点,DEM高程精度由11.28 m提高到8.41 m。

基于引导滤波及视差图融合的立体匹配

立体匹配是双目视觉领域的重要研究方向。为在保证图片纹理区域匹配精度的同时降低弱纹理区域的误匹配率,提出一种基于引导滤波及视差图融合的立体匹配方法。首先,根据图像颜色相似性将图片划分为纹理较丰富区域和弱纹理区域。接着,分别采用不同参数的引导滤波进行代价聚合及视差计算,得到两张视差图。然后依据纹理区域划分的结果对获得的两张视差图进行融合。最后,通过左右一致性检测、加权中值滤波等视差优化步骤得到最终视差图。对Middlebury测试平台上标准图像对的实验结果表明,该方法在6组弱纹理图像上的平均误匹配率为9.67%,较传统引导滤波立体匹配算法具有更高的匹配精度。

视觉显著性的自适应权重立体匹配算法

针对传统算法大多忽略人眼特性,获得的视差图与人眼真实感受之间存在一定差异的问题,提出了一种符合人眼视觉特性的自适应权重匹配算法.该算法首先引入视觉显著性特征,然后对像素权值分配进行改进并提出新的匹配代价度量准则,最后采取左右视差图融合的方法获得最终视差图.相关图像实验表明,改进算法很好地解决了遮挡问题,可精确描述边缘和细节视差;相对于原算法有较大程度的性能提升.