[发明专利]一种基于改进梯度和自适应窗口的立体匹配方法

权利要求书

1.一种基于改进梯度和自适应窗口的立体匹配方法，其特征在于：该方法在传统梯度匹配代价仅包含幅值信息的基础上，引入梯度相位信息，并对原始匹配代价进行变换，进一步消除异常值；然后利用图像结构和色彩信息构建自适应窗口进行代价聚合及“胜者为王”(Winner-Takes-All(WTA))策略进行视差选择；最后，提出一种局部视差直方图的视差精化方法，获得了高精度的视差图。方法具体步骤如下：

步骤一：匹配代价计算：匹配代价是左右图像之间对应点相似度的度量，利用梯度向量在图像x、y方向的两个分量，定义梯度向量的模m和相角然后采用模和相角的线性结合作为匹配代价函数，以便最大限度利用梯度信息。最后利用Geman-McClure函数对原始匹配代价函数进行变换以消除异常代价值的影响。

步骤二：自适应窗口构造：对待匹配图像的每个像素构造一个自适应大小的聚合窗口，窗口的大小将直接决定参与聚合的邻域像素多少。本发明采用一种改进的十字交叉自适应窗口生成方法，可以根据相邻像素的色彩和空间位置关系构建自适应窗口。在低纹理区域，提供较大的窗口以提高匹配精度；而在高纹理区域则产生较小的窗口，以保护物体边缘等细节信息。

步骤三：代价聚合：确定每个像素的自适应窗口之后，需对窗口内每个单像素的原始匹配代价进行聚合获得总代价，最后选择使总代价最小对应的视差值作为初始匹配结果。

步骤四：视差精化：通过上述步骤得到的初始视差与真实视差还存在一些误匹配点和不可信值，需要进行视差精化处理。本发明提出一种基于局部视差直方图的视差精化方法对初始视差图进行进一步处理。然后，采用左右一致性检验检测仍然存在的误匹配点，利用相邻有效点中视差较小的值对误匹配点进行赋值。

2.根据权利要求1中所述的一种基于改进梯度和自适应窗口的立体匹配方法，其特征在于：所述步骤一的匹配代价应用改进的梯度代价，具体计算过程如下：

图像梯度定义为图像沿x和y方向的一阶偏导数：

G=GxGy=∂I∂x∂I∂y]]>

其中I为图像灰度，实际应用中，可以通过水平方向和竖直方向的模板计算梯度向量。这样，我们就可以得到左、右图像的梯度图G_L＝(G_Lx,G_Ly)^T、G_R＝(G_Rx,G_Ry)^T；考虑校正后的图像，设p(x,y)为左图像上一点，则右图像上对应视差d的匹配点为pd(x-d,y)。

利用梯度向量在x、y方向的两个分量，定义梯度向量的模和相角：

m=Gx2+Gy2]]>

梯度的模m表征灰度变化率，相角表征灰度变化率最大时的方向，它们提供了像素邻域的不同信息，并且对光照失真有不同的不变性。输入图像对增益失真会影响梯度模，而相角则不会变化，但是它们都不会受到偏置失真影响。因而，将梯度的模和相角分开考虑更有利于控制方法对噪声的敏感性。本发明采用模和相角的线性结合作为匹配代价函数，以便最大限度利用梯度信息。表达如下：

式中m_c、分别表示对应于彩色图像R，G，B三个通道的梯度向量模和相角，α是加权系数。由于相角是以π为周期，需要将其归一化到单周期内，故定义f(x)：

f(x)=x0≤x≤π2π-xπ<x<2π]]>

由于引入了加权系数α，我们可以通过调整参数α的值改变方法对光照失真和噪声的鲁棒性。α越小，相位的影响越大，α越大，模值的影响越大。由于不同的图像会有不同程度的光照失真，实际中需要通过实验来确定α的合理取值范围。

由于e(p,d)表示的是单个像素的原始匹配代价，实际情况中仍然会存在一些过大的异常值，需要进行排除以提高匹配精度。一种常用的方法是采用截尾函数，即将e(p,d)与一个常数进行比较，取其最小值作为匹配代价。该方法对结果的改善很小，本发明采用Geman-McClure函数来处理异常值：

ρ(x)=x2x2+σ2]]>

当输入x超过某个值后，其对输出值的影响将平滑地下降到0，变换后的匹配代价将收敛到1，并可由参数σ控制。因而，无论输入原始匹配代价多大，经过Geman-McClure函数变换后，其输出值将不会超过1。