立體匹配一直以來都是雙目視覺領域中研究的重點和難點。針對現(xiàn)有立體匹配算法邊緣保持性差、匹配精度低等問題,提出了一種二次加權引導濾波融合雙色彩空間模型的立體匹配算法（Secondary Weighted Guided Filtering fusion double color model,SWGF）。首先在代價計算階段提出了一種雙色彩空間模型,從兩個顏色空間進行像素顏色匹配代價計算,增強像素在低紋理區(qū)域的特征;然后在代價聚合階段基于HSV顏色空間利用不同窗口中像素紋理不同加入一個邊緣保持項,從而使正則化參數(shù)進行自適應調整。在一次引導濾波之后,我們使用Census變換得到的漢明距離和初始視差完成一次代價更新,再次對其進行代價聚合,隨后計算視差并對視差進行左右一致性檢測、空洞填充和加權中值濾波等優(yōu)化,最后獲得視差圖。本文算法在Middlebury測試平臺上測試結果表明SWGF算法誤匹配率僅為4.61%,可以大幅提升立體匹配的精度,同時增強其邊緣保持性。 

【文章來源】：光電子·激光. 2020,31(08)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

算法流程

本文基于python語言,將網站提供的標準測試圖像,如圖2,在 Middlebury[17]測試平臺上進行測試。四幅圖像的視差搜索范圍和圖像大小如表1所示。本文中的參數(shù)是根據大量實驗所取得的最優(yōu)值,參數(shù)設置如表2,算法在對四幅圖像測試的過程中除了視差范圍不同,其他參數(shù)均不變。表1 測試圖像及圖像參數(shù)Tab.1 Test images and image parameters Parameters Tsukuba Venus Teddy Cones Image size 384×288 434×383 450×375 450×375 range 0～15 0～20;0～60 0～60

對圖2的標準圖像teddy進行對比試驗,分別采用AD,梯度,AD+梯度和本文雙色彩空間模型做對比,實驗中僅代價計算方法不同,實驗結果如圖(3),實驗數(shù)據表明,本文提出的代價計算方法誤匹配率為9.20%,相較于對比試驗采用AD代價函數(shù)13.71%的誤匹配率,采用梯度代價函數(shù)10.41%的誤匹配率,和采用AD+梯度代價函數(shù)9.63%的誤匹配率,本文雙色彩空間模型誤匹配率有所降低。4.2 SWGF算法的有效性

【參考文獻】：
期刊論文
[1]融合梯度特性與置信度的立體匹配算法[J]. 范海瑞,楊帆,潘旭冉,李靖,潘國峰.  光電子·激光. 2019(09)
[2]基于圖像分割的稠密立體匹配算法[J]. 馬瑞浩,朱楓,吳清瀟,魯榮榮,魏景陽.  光學學報. 2019(03)
[3]基于改進代價計算和自適應引導濾波的立體匹配[J]. 閆利,王芮,劉華,陳長軍.  光學學報. 2018(11)
[4]基于穩(wěn)定樹的立體匹配視差優(yōu)化算法[J]. 季雨航,馬利莊.  計算機輔助設計與圖形學學報. 2016(12)
[5]基于改進梯度和自適應窗口的立體匹配算法[J]. 祝世平,李政.  光學學報. 2015(01)



本文編號：3489874