[发明专利]内外相似度聚集的立体匹配算法

说明书

本发明涉及内外相似度聚集的立体匹配算法，首先，本文定义了参考图像彩色空间内部相似度；然后，在彩色与亚像素空间，定义参考图像与目标图像匹配像素间的外部相似度，并给出内外相似度的计算方式；提出了内外相似度聚集的立体匹配算法，根据内部相似度聚集外部相似度，该方法分为四个方向的相似度聚集方式；在候选视差范围内，使用赢者通吃算法找到最大内外聚集相似度对应视差，作为当前像素的视差；最后，提出盒图滤波算法，提纯和平滑视差图像。实验证明，内外相似度聚集的立体匹配算法提取视差图的非闭塞区域错误率低，效率高。

技术领域

本发明涉及内外相似度聚集的立体匹配算法，属于机器视觉与数字图像处理领域。

背景技术

随着智能制造的发展，作为人类智能体现的机器视觉越显重要，图形图像处理与计算机视觉作为机器人获得外界信息的主要方法，它可以提高工业生产的自动化和智能化程度。立体匹配算法可用于三维重建，医学建模，图像匹配，目标定位与识别，辅助机械躲避障碍物等，为智能制造、智能城市提供技术支持。针对立体匹配算法提取视差图效率低和非闭塞区域错误率高的问题。

现有的双目立体匹配算法主要有半全局匹配，动态规划，图割算法和置信度传播算法等。其中，图割立体匹配算法，使用最大流最小割方法寻找最小花费路径，标记出图像的视差，该算法获取视差图的效果好效率最低，适应性不强。半全局立体匹配算法提取的视差图像效果较好，效率比图割算法高，但还需要提高。有效大规模立体匹配算法，并不能得到较好的立体匹配效果。自适应二进制窗口的实时立体匹配算法，速率快误差较大。二进制立体匹配算法提取的视差图噪音密集且效率低。置信度传播和自适应不相似度措施的图割立体匹配算法计算量大。动态规划算法，获取的视差图像噪音严重。分割树的花费聚集立体匹配算法速度快，存在深度图像没有递进性的问题。

发明内容

本发明要解决的技术问题是立体匹配算法提取视差图效率低和非闭塞区域错误率高的问题。针对以上内容，本文定义了参考彩色图像内部相似度，在彩色与亚像素空间，定义参考图像与目标图像匹配像素间的外部相似度，并给出内外相似度的计算方式；提出内外相似度聚集算法，根据内部相似度聚集外部相似度，包括四个方向的内外相似度聚集方式，使用赢者通吃算法计算视差图；最后，提出盒图滤波算法，提纯和平滑视差图像。

本发明为实现上述目的所采用的技术方案是：内外相似度聚集的立体匹配算法，包括以下步骤：

计算参考图像内部相似度矩阵：使用参考图像当前像素与其近邻像素之间RGB三通道差的绝对值的最大值，得到参考图像内部近邻像素之间的相似度即内部相似度S_i，进而构成内部相似度矩阵；

计算两图像彩色空间指数：计算参考图像与目标图像相应像素三通道差的绝对值的和的平均值D_c；

计算两图像灰度空间指数：如果参考图像像素灰度在目标图像插值灰度范围内，则认为参考图像像素与目标图像像素相似，否则计算参考图像像素灰度与目标图像插值灰度最大的差D_l；如果目标图像像素灰度在参考图像插值灰度范围内，则认为参考图像像素与目标图像像素相似，否则计算目标图像像素灰度与参考图像插值灰度最大的差D_r；D_l与D_r中的最小值，作为D_s；

根据两图像彩色空间指数与灰度空间指数计算外部相似度矩阵：根据D_c和D_s得到参考图像与目标图像候选匹配像素之间的相似度即外部相似度S_e；

根据内部相似度聚集外部相似度：在候选视差下，参考图像当前像素距离目标像素p个像素距离，目标像素外部相似度乘p个内部相似度之后，累加到当前像素外部相似度；通过多个方向的内外相似度聚集方式，获取内外聚集相似度矩阵；