基于图像区域分割和置信传播的立体匹配算法

传统基于像素的立体匹配算法误匹配率较高。为解决该问题,提出一种基于图像区域分割和置信传播的匹配算法。采用均值偏移对参考图像进行区域分割,通过自适应权值匹配计算初始视差图,对各分割区域的初始视差用平面模型拟合得到视差平面参数,使用基于区域的改进置信传播算法求得各区域的最优视差平面,从而得到最终视差图。与全局优化的经典置信传播算法和图割算法的对比实验结果表明,该算法能降低低纹理区域和遮挡区域的误匹配率。

基于像元集的置信传递立体匹配

为了提高立体匹配效率和克服处理区域的视差跳跃,提出了一种基于像元集的置信传递立体匹配方法。该方法首先以像素为基元,利用层次置信传递算法得到较为准确的初始视差;然后依次根据颜色和初始视差对参考图像进行分割,再利用分裂合并策略对分割后的像元集进行平面拟合,以消除颜色分割错误对匹配造成的影响;最后在拟合后的像元集空间,利用标准置信传递优化算法得到最终解。采用国际标准图像进行测试的实验结果表明,该方法的匹配效率和精度优于同类方法。

一种基于置信度传播的立体匹配算法

在双目立体视觉中立体匹配问题存在歧义性,是视觉研究中难点问题之一。通过采用分水岭分割图像的方式有效的对图像进行了过分割处理,实现了基于图像块置信传播的匹配算法。最后用Middlebury College图像库中的图像对算法进行了验证,实验结果表明这种方法能够获得很好的匹配效果,克服了传统立体匹配中精度低和速度慢的缺点。

从双视图到多视图的协同优化立体视觉匹配算法

采用基于视图协同优化算法解决视觉匹配问题,通过对双视图立体匹配的研究到多视图匹配的推广,利用视差平面拟合进行多个视差集的合并.利用奇异值分解法解决线性方程,建立排除异常点的判别规则,解决遮挡及稀疏纹理的问题.实验结果表明:该协同优化算法是有效的,提高了匹配的精度.

双目立体视觉匹配技术综述

立体视觉匹配技术是立体视觉研究的核心问题。立体匹配方法在不同的应用领域有着不同的应对策略。介绍了双目视觉立体匹配技术的原理和一些研究关键点。通过总结现有各种算法的优缺点,对基于区域的立体匹配算法和基于全局的立体匹配算法进行了深入论述和研究,最后对立体匹配算法的未来发展做了展望。对研究者选择立体匹配算法有一定参考意义。

基于图像分割的置信传播立体匹配算法研究

在采用全局优化的立体匹配时,利用传统的基于像素点的置信传播算法进行消息传输存在两个不足:计算量大和单个像素点容易导致误差。利用图像分割思想来弥补这两个不足,提出基于图像分割的置信传播算法,利用分割区域代替像素点,视差平面模板集代替视差搜索空间范围,消息传输转换为在分割区域间的传输,一定程度上降低了算法的计算量,同时利用图像分割的约束提高了算法对遮挡区域和缺少纹理区域的处理能力。实验结果表明,算法相对于基于像素点的置信传播算法计算量减小,匹配精度高,对缺少纹理区域和遮挡区域的处理更有优势,得到了较准确的稠密视差图。

一种具有选择性的置信度传播立体匹配算法

为了改善立体匹配算法在低纹理和深度跳变区域的匹配性能,提出了一种改进的置信度传播立体匹配算法.首先利用均值漂移算法对图像进行彩色分割,然后通过自适应权重算法计算匹配代价并获取初始视差图,再利用匹配代价可信度检测和左右一致性校验将初始匹配结果按照可靠度分类,最后在全局优化的过程中分别通过可靠度分类和图像分割结果来指导置信度传播方向和范围的选择,从而优化传播路径,提高匹配性能.将该算法应用于标准库图像中可以提高低纹理和深度跳变区域的匹配精度,得到边界清晰、稠密光滑的视差图,同时,将其应用于实拍图像的三维重建系统中能够得到生动逼真的立体模型,证明了该算法的有效性和实用性.

基于LSC图像分割的LBP立体匹配算法

在传统的全局立体匹配方法中,基于像素点的置信传播存在计算量大、单个像素点容易导致误差等缺点。为此,在图像分割处理方法的基础上,提出基于简单线性迭代聚类图像分割的循环置信度传播(LBP)立体匹配算法。运用LSC算法对图像进行分割,并利用一组平面模型进行建模,使每个分割区域至少对应一个视差平面标签。引入自适应匹配代价计算视差,获取可靠匹配像素点,通过最小二乘法平面拟合进行视差平面估计,并运用LBP算法优化视差平面标签。实验结果表明,与GC+occ、MultiCamGC等算法相比,该算法具有较高的匹配精度,能够处理低纹理区域和遮挡区域。

基于Tao立体匹配框架的全局优化算法

传统的基于全局优化的立体匹配算法计算复杂度较高,在遮挡和视差不连续区域具有较差的匹配精度。提出了基于Tao立体匹配框架的全局优化算法。首先采用高效的局部算法获取初始匹配视差;然后对得到的视差值进行可信度检测,利用可信像素点和视差平面假设使用具有鲁棒性的低复杂度算法修正不可信任像素视差值;最后改进置信度传播算法,使其能够自适应地停止收敛节点的消息传播,并对经修正的初始匹配进行优化,提高弱纹理区域匹配准确度。实验结果表明,文中算法有效地降低整体误匹配率,改善了视差不连续及遮挡区域的匹配精度;同时,降低了算法整体复杂度,兼顾了速度,具有一定的实用性。