[发明专利]基于图像分割的大面积低纹理区立体匹配算法

说明书

技术领域

本发明涉及计算机视觉、数字图像处理和图像分割领域，特别是涉及一种基于图像分割的大面积低纹理区立体匹配算法。

背景技术

立体视觉在实质上是从左右图片恢复被拍照物体三维信息的过程。立体视觉中的立体匹配环节，一直是制约立体视觉发展的瓶颈，也是立体视觉中研究领域的热点问题。近年来，随着计算机科学、人工智能、以及机器人技术等其它相关领域学科的发展，随着摄像机和计算芯片性能的提高，立体视觉技术正在更加广泛地应用于各个方面。立体视觉在车辆导航，工业检测，地图绘制，物体三维重构等多方面有十分广阔的应用。

多尺度分析是正确认识事物和现象的重要方法之一。研究者们在划分图像的边缘和纹理时，发现图像的边缘和纹理的识别依赖于图像分析的尺度，于是产生了在不同的尺度下检测图像特征的方法。目前，很多文献提到采用多尺度的图像处理方法，其核心内容是建立图像金字塔，把图像信息分层次的表现出来：随着采样尺度的大小不同，得到的图像分辨率也不同。这种方法的优势非常明显，在某种分辨率下不能注意到的图像特征在另一种分辨率下就可以很容易的发现了。需要从较小的尺度来观察图像的细节信息，从较大尺度来观察图像的整体特征。利用低通滤波构建多分辨率金字塔的方法实现简单，时空复杂度较低。通过这种方式，把立体匹配过程嵌入到“由粗到精”的离散尺度空间当中，粗分辨率下的匹配结果作为进一步精匹配的指导。这种方法在一定程度上能提高匹配精度，加快匹配速度。

图像分割把一幅图像中具有相似特性的不同区域分别划分出来。而正确、有效的图像分割能够为进一步目标识别和图像分析奠定良好的基础。Mean Shift的最初含义就是偏移的均值向量，但随着Mean Shift理论的发展，一般情况下提到Mean Shift算法，是指一个迭代至收敛的过程。Comaniciu等人把Mean Shift理论引入数字图像处理领域，在解决图像平滑和图像分割很有效。算法的过程就是先找出当前点的偏移均值，然后把该点移动到其偏移均值，再把这个结果作为新的起始点，迭代计算并移动直到满足约束条件的过程。而利用Mean Shift算法进行图像分割，就是把收敛到相同点的像素都归类，然后把不同类别记录下来，区分标示。在实际工作中，为了获得更好的图像分割结果，有时还需要把含较少象素点的类归并。

目前的匹配算法有全局匹配和局部匹配两大类，全局匹配有动态规划、图切、模拟退火和置信传播等算法，这类算法通过在全局中计算最优解来求取视差图，得到的视差图在整体上有很好的效果，但是匹配速度非常慢，基于全局的立体匹配算法，会把待匹配点的周围信息尽可能多的引入，起到扩大邻域的作用，此时可以在某种程度上解决非纹理区匹配的问题。这类方法尽管时空复杂度都高一些，但是获得的视差图更加准确。然而，对于大片非纹理区，全局算法并不能获得完美的效果，它只能是把靠近纹理区的视差计算出来。而传统的基于图像灰度的局部立体匹配方法，对于纹理区的匹配效果都比较好，而对于非纹理区匹配效果往往不尽人意。尤其是对于大片的非纹理区域，按照局部匹配算法计算的视差基本失效。

发明内容

本发明的目的在于提供一种克服常规算法不能处理低纹理区匹配的不足的基于图像分割的大面积低纹理区立体匹配算法。

本发明的目的是这样实现的：

基于图像分割的大面积低纹理区立体匹配算法包括下列步骤：

步骤一：根据实际需求对立体像对进行预处理；

步骤二：把经过预处理的立体像对按照三个方向进行处理，分三个支路：

支路1：

利用mean shift算法对基准图进行图像分割，积累窗口的形状为图像后每个聚类的形状，生成视差图disp_seg；

支路2：

利用多窗口算法，在多尺度空间内计算视差图disp_Mutiscales；

支路3：

在基准图像划分纹理区及非纹理区表示结果为Texture_Picture；

步骤三：根据步骤二中3个支路产生的结果，合成视差图；

支路3生成的Texture_Picture图像标明了图像纹理区和非纹理区；支路2所生成的视差图disp_Mutiscales在纹理区是准确的，而在大片的非纹理区中，支路1生成的视差图disp_seg在划分好聚类的区域是准确的；因此能按Texture_Picture的标记，综合disp_Mutiscales、disp_seg的结果，合成准确的视差图为：Texture_compose；

步骤四：对生成的视差图进行后期处理。

本发明的方法的主要特点如下：