基于三角剖分与超像素结构的3D标签优化方法

在立体匹配问题中,基于3D标签的算法可以取得更高精度的亚像素视差图。针对3D标签的随机初始化问题,提出一种基于超像素结构与三角剖分的标签初始化方法。利用基于超像素边界提取到的特征点构建三角剖分,生成初始3D标签;针对图割算法迭代优化3D标签时效率的问题,在超像素结构上利用图割算法进行全局优化3D标签,迭代中加入对当前标签状态的假设扩展标签候选,提升了标签搜索效率。在Middlebury2014数据集上对方法进行验证,实验结果表明,所提方法的平均误匹配率(8.31%)低于LocalExp算法的平均误匹配率(8.39%),并且处理单幅图像耗费的平均时间约为LocalExp算法的70%。

Hyperperfusion of Multiple Sclerosis Plaques Characterized by 3D FSE Arterial Spin Labelling

MULTIPLE sclerosis （MS） is a common inflammatory demyelinating disorder of central nervous system, and the disease burder could be well evaluated by conven-tional magnetic resonance imaging （MRI）,1 including T2-weighted, fluid-attenuatd inversion recovery, and postcontrast Tl-weighted sequences. 2 We investigated the perfusion state of MS plaques using brain perfusion imaging in a 12-year-old boy with MS.

基于标签化匹配区域校正的双目立体匹配算法

双目立体视觉是一种精准有效的测量方法,由此文中提出基于标签化匹配区域校正的双目立体匹配算法.以常规图割算法为基础,通过匹配块的空间几何信息校正匹配区域,获得更高亚像素级精度的匹配视差.首先,根据标签及空间几何信息确定校正变换,充分利用左右两图匹配区域的像素信息.然后,不断更新获选标签,找到使全局能量最小的标签.最后,依据左右一致性准则及均值滤波细化视差图.实验表明,文中算法有利于寻找良好、平滑的分段线性视差图,在处理边缘区域和遮挡区域时精确度较高.

基于跨尺度PatchMatch的立体匹配算法

针对现有的PatchMatch(3D标签优化)立体匹配算法存在对图像中弱纹理、视差不连续区域匹配精度低的问题,提出了一种结合超像素分割和跨尺度PatchMatch的立体匹配算法。首先,通过高斯下采样获得多尺度图像并对各尺度图像超像素分割。其次,基于四色定理腐蚀超像素边界使3D标签在超像素上迭代传播具有子模性和独立性,生成的子模能量用图割(graph cut, GC)算法得到最优解。最后,提出跨尺度能量函数模型,约束不同尺度下同名像素3D标签能量一致,使3D标签迭代传播可在不同尺度进行GC优化,获得最优视差图。在Middlebury数据集上的实验结果表明,本文算法对21组弱纹理、复杂纹理图像的平均误匹配率为2.20%,相比其他改进的PatchMatch立体匹配算法误匹配率降低了10.1%,且视差图误匹配可视化显示,弱纹理、视差不连续区域匹配效果优于其他改进的PatchMatch立体匹配算法。