[发明专利]基于分类频率敏感三维自组织映射的视差估计方法

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于分类频率敏感三维自组织映射的视差估计方法。

背景技术

视差估计作为立体视频编码的关键技术，已经得到越来越多的重视和关注，各种算法也相继提出。传统视差估计算法大致可分为两大类，一类是基于区域的视差估计，即把图像中的某一点或某一块作为基本匹配单元，在另一幅图像中搜索对应的点或块，从而得到各个点的视差，这类算法可以得到稠密的视差估计。根据匹配策略的不同，基于区域的视差估计可以分为局部法和全局法。代表性的局部法是基于块的方法，实现复杂度低。代表性的全局算法有动态规划法、图割法和置信度传播法等。全局法能得到比局部法更好的结果，但是其计算复杂度高，不便于硬件实现。另一类是基于特征的视差估计，即利用图像的自身特征来实现匹配，这些特征包括一些特征点(如SIFT关键点等)或几何结构。此类算法只能得到稀疏的视差估计，且特征的提取比较复杂。可见，目前视差估计技术仍未成熟，没有一种具有普适性的视差估计方法，而且计算量巨大。

发明内容

本发明所要解决的技术问题是提供一种基于分类频率敏感三维自组织映射的视差估计方法，该方法能提高视差预测图像的质量。

为解决上述问题，本发明是通过以下技术方案实现的：

基于分类频率敏感三维自组织映射的视差估计方法，包括如下步骤：

步骤1、先对视差序列样本的每帧图像分块，每个图像块为一个训练矢量，再根据亮度大小将训练矢量进行分类，每个分类形成一个训练矢量集；

步骤2、分别每个分类的训练矢量集进行以下学习训练，得到每个分类的最佳匹配模式库；

步骤2.1、根据设定的三维自组织映射网络的大小N，从该分类的L个训练矢量集中选择N个训练矢量来构成该分类的初始模式库,其中N＜＜L；该初始模式库中的训练矢量称为模式矢量，且初始模式库中的模式矢量排列成三维立体结构；

步骤2.2、初始化每个模式矢量的邻域函数N_j(0)和每个模式矢量的响应计数器c_j；

步骤2.3、输入该分类训练矢量集中的一个训练矢量，并分别计算该训练矢量与其对应分类的初始模式库中的各个模式矢量的失真从中选择出与训练矢量失真最小的模式矢量作为获胜模式矢量；

其中，为频率敏感函数；s为设定的频率敏感指数；d_j(t)为训练矢量与模式矢量的均方误差；j＝0,1,…,N-1，N为设定的三维自组织映射网络的大小；t＝0,1,…,L-1，L为该分类训练矢量集中训练矢量的个数；

步骤2.4、调整获胜模式矢量及其三维邻域范围内的模式矢量；

步骤2.5、将获胜模式矢量的响应计数器累加1，并返回步骤步骤2.3重新选择一个训练矢量，直到输入完该分类训练矢量集中所有的训练矢量，即得到该分类的最佳匹配模式库；

步骤3、对待估计的视差序列进行分块和分类处理，得到每个分类的待估计图库；并将待估计图库与相同分类的最佳匹配模式库进行视差模式匹配，得到待估计的视差序列的预测图。

步骤1中，根据下式将图像块分高亮度区域和低亮度区域两类，

其中，为图像块的均值，T_h为均值判定限值，X₁表示高亮度区域集合，X₂表示低亮度区域集合。

步骤2.1中，采用按固定的间隔抽取的方法从L个训练矢量集中选择N个训练矢量来构成该分类的初始模式库。

步骤2.3中，频率敏感指数s的取值范围为0≤s≤1。

步骤2.4、根据下式调整获胜模式矢量及其三维邻域范围内的模式矢量，

其中，W_j(t+1)为第t+1次训练时的模式矢量，W_j(t)为第t次训练时的模式矢量，X(t)为训练矢量，j^*为获胜模式矢量，为获胜模式矢量j^*在第t次训练时的邻域函数，α(t)为第t次训练时的学习速度函数；上述j＝0,1,…,N-1，N为设定的三维自组织映射网络的大小；t＝0,1,…,L-1，L为所每一类的训练矢量的个数。

步骤3具体为：

步骤3.1、先将待估计的视差序列的每帧分块，其中待估计的视差序列的每帧分块大小与视差序列样本的每帧分块大小相一致；再根据步骤1相同的方法将图像块进行分类，每个分类的图像块形成一个待估计图库；