一種基于線性分割引導(dǎo)濾波(lsgf)的立體匹配方法
【專利摘要】本發(fā)明涉及計(jì)算機(jī)視覺中立體匹配方法,針對(duì)引導(dǎo)濾波立體匹配方法在低紋理和不連續(xù)邊界的缺陷,提出了一種精確的線性分割引導(dǎo)濾波立體匹配方法，此發(fā)明屬于計(jì)算機(jī)應(yīng)用領(lǐng)域。首先引入BT測(cè)度和兩方向梯度來提高引導(dǎo)濾波的代價(jià)測(cè)度的精度。然后，在圖像分割中，超細(xì)分割被引入來替代過細(xì)分割。最后，用圖像分割（Mean-shift算法）對(duì)引導(dǎo)濾波獲得的視差進(jìn)行進(jìn)一步精煉處理。結(jié)合線性平面擬和算法，為獲得魯棒、準(zhǔn)確的視差效果，采用偏導(dǎo)數(shù)分解方法獲得線性平面擬合參數(shù)，對(duì)標(biāo)定穩(wěn)定的分割視差獲得分割視差集，對(duì)不穩(wěn)定視差利用穩(wěn)定視差集進(jìn)行對(duì)不穩(wěn)定平面進(jìn)行精煉。線性分割引導(dǎo)濾波方法具有較準(zhǔn)確的立體匹配視差精度，同時(shí)也有很好的邊緣保持和平滑效果。
【專利說明】—種基于線性分割引導(dǎo)濾波(LSGF)的立體匹配方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)視覺和立體匹配技術(shù)，尤其涉及一種基于線性分割引導(dǎo)濾波(LSGF)的立體匹配方法，屬于計(jì)算機(jī)應(yīng)用領(lǐng)域。

【背景技術(shù)】
[0002]立體匹配是目前熱點(diǎn)的計(jì)算機(jī)視覺方向之一。其目標(biāo)是在不同的視點(diǎn)視角及不同的時(shí)間地點(diǎn)，在一幅或幾幅圖片中找出對(duì)應(yīng)點(diǎn)，進(jìn)而獲得一個(gè)稠密的深度或視差映射圖。
[0003]目前常見的立體匹配方法包括局部方法和全局方法。全局方法主要包括圖割(GC)和置信傳播(BP)方法。全局方法精度較高，但速度相對(duì)較慢，難以滿足實(shí)時(shí)、準(zhǔn)確、快速的應(yīng)用，尤其在三維重建、立體視頻、機(jī)器人導(dǎo)航等對(duì)實(shí)時(shí)性較高的領(lǐng)域無法滿足。局部算法主要包括雙邊濾波(BF)、引導(dǎo)濾波(GF)等。局部方法通常速度快，可以滿足實(shí)時(shí)應(yīng)用，其中引導(dǎo)濾波是目前最快效果最好的局部濾波之一，具有很好的邊緣保持平滑效果。
[0004]然而引導(dǎo)濾波在不連續(xù)區(qū)域邊緣和大面積平滑區(qū)域效果不夠理想，會(huì)出現(xiàn)誤匹配，故為進(jìn)一步提高立體匹配精度，同時(shí)不影響速度，我們引入線性分割引導(dǎo)濾波，以便進(jìn)一步提高立體匹配的精度，尤其是在不連續(xù)區(qū)域。


【發(fā)明內(nèi)容】

[0005]本發(fā)明目的在于提供一種精確、有效的線性分割引導(dǎo)濾波的立體匹配方法，旨在解決現(xiàn)有引導(dǎo)濾波的立體匹配方法在大面積的低紋理區(qū)域和不連續(xù)區(qū)域邊界的缺陷。
[0006]本發(fā)明是通過以下方法實(shí)現(xiàn)的:首先為提高引導(dǎo)圖像精度，結(jié)合BT (Birchfieldand Tomasi)測(cè)度和兩方向梯度(水平梯度和垂直梯度)，分別對(duì)代價(jià)測(cè)度中的顏色測(cè)度及梯度測(cè)度進(jìn)行改進(jìn)，以提高引導(dǎo)濾波的精度；然后我們?cè)谝龑?dǎo)濾波的基礎(chǔ)上，引入圖像分割(mean-shift算法),通過大量試驗(yàn)發(fā)現(xiàn),過細(xì)分割仍有較大概率跨越不連續(xù)區(qū)域，故超細(xì)分割被引入來替代過細(xì)分割；在獲得的超細(xì)分割中，實(shí)施對(duì)視差進(jìn)行線性平面擬合，為獲得魯棒、穩(wěn)定的線性解，我們采用線性偏微分系數(shù)分解方法獲得穩(wěn)定的平面參數(shù)，獲得平面視差集，最后用穩(wěn)定的視差集精煉不穩(wěn)定點(diǎn)，獲得線性分割引導(dǎo)濾波(LSGF)。
[0007]本發(fā)明方法具體步驟如下:
步驟1:采用BT (Birchfield and Tomasi)測(cè)度和兩方向梯度,分別對(duì)引導(dǎo)圖像的代價(jià)測(cè)度中的顏色測(cè)度及梯度測(cè)度進(jìn)行改進(jìn)，以提高引導(dǎo)濾波的精度.在引導(dǎo)濾波的代價(jià)測(cè)度函數(shù)基礎(chǔ)上，我們改進(jìn)代價(jià)函數(shù)。對(duì)于改進(jìn)的梯度測(cè)度函數(shù)，我們采用兩方向梯度(水平方向和豎直方向)，在改進(jìn)的顏色測(cè)度中，我們引入BT測(cè)度。
[0008]步驟2:在圖像分割中，超細(xì)分割被引入來替代過細(xì)分割；通常圖像分割中，過細(xì)分割獲得很好的效果，被廣泛應(yīng)用。然而我們發(fā)現(xiàn)，過細(xì)分割仍然存在著較大的概率跨越不連續(xù)邊界和區(qū)域。所以我們采用超細(xì)分割使分割塊盡可能使小。
[0009]步驟3:線性分割引導(dǎo)濾波(LSGF).首先，通常簡(jiǎn)單的線性解會(huì)產(chǎn)生更加穩(wěn)定和高效的視差效果，能滿足精度和穩(wěn)定性的需要，我們采用線性平面擬合方法。我們采用偏導(dǎo)數(shù)分解方法獲得線性平面三個(gè)參數(shù)，具體步驟如下:
1)獲得可信視差。我們采用左右一致方法(LRC)獲得可信視差，同時(shí)過濾不可信視差。當(dāng)每個(gè)分割內(nèi)可信視差的比率n大于0.6，我們認(rèn)為分割是穩(wěn)定的。對(duì)于穩(wěn)定的視差分割，用可信的視差值可以求得平面擬合的三個(gè)分量；
2)水平分量Cih求解?？紤]偏導(dǎo)數(shù)分解方法獲得ah，ah可以在每個(gè)穩(wěn)定的分割內(nèi)求水平方向的可信視差值，然后排序獲得中間值；
3)垂直分量αν求解。同樣的方法我們考慮偏導(dǎo)數(shù)分解方法獲得aV，αν可以在每個(gè)穩(wěn)定的分割內(nèi)求水平方向的可信的視差，然后排序獲得中間值；
4)ad求解。同樣的方法我們可以用在求a d，然后排序獲得中值；
5)之后我們得到可信分割塊的擬合平面參數(shù)，獲得視差平面集Γ。
[0010]然后，我們進(jìn)一步精煉視差平面集，獲得最終視差圖，具體步驟如下:
O精煉不可信視差值。對(duì)于不可信的視差，我們采用可信的視差集Γ的平面參數(shù)對(duì)不可信點(diǎn)進(jìn)行精煉；
2)我們用可信分割集中每個(gè)分割平面去精煉不可信分割塊，誤差最小參數(shù)可以認(rèn)為是該分割的可信視差值；
3)將一樣視差平面合并，新的平面參數(shù)可以通過平面擬合獲得，最后獲得最終視差圖。
[0011]本發(fā)明提出的精確的線性分割引導(dǎo)濾波(LSGF)的局部立體匹配方法，其具有很好的立體匹配的速度及精度，同時(shí)也有很好的邊緣保持和平滑效果，尤其是在不連續(xù)區(qū)域的邊界和低紋理區(qū)域。

【專利附圖】

【附圖說明】
[0012]圖1為本發(fā)明一種基于線性分割引導(dǎo)濾波流程圖。
【權(quán)利要求】
1.一種基于線性分割引導(dǎo)濾波(LSGF)的局部立體匹配方法，其特征在于包括以下步驟: 步驟1:為提高引導(dǎo)圖像精度，結(jié)合BT(Birchfield and Tomasi)測(cè)度和兩方向梯度冰平梯度和垂直梯度)，分別對(duì)引導(dǎo)圖像的代價(jià)測(cè)度的顏色測(cè)度及梯度測(cè)度進(jìn)行改進(jìn)，以提高引導(dǎo)濾波的精度； 步驟2:我們?cè)谝龑?dǎo)濾波的基礎(chǔ)上，引入圖像分割(mean-shift算法)對(duì)視差精煉以提高視差精度，通過大量試驗(yàn)發(fā)現(xiàn)，過細(xì)分割仍有較大概率跨越不連續(xù)區(qū)域，故超細(xì)分割被提出來取代過細(xì)分割； 步驟3:在獲得的超細(xì)分割中，對(duì)獲得的視差進(jìn)行線性平面擬合，為獲得魯棒、穩(wěn)定的線性解，我們采用偏微分系數(shù)分解方法獲得穩(wěn)定的三個(gè)線性平面參數(shù)，同時(shí)獲得可信平面視差集，最后用可信視差集精煉不穩(wěn)定點(diǎn)的視差。
2.根據(jù)權(quán)利要求1所述的線性分割引導(dǎo)濾波，其特征在于，在步驟I中，對(duì)引導(dǎo)濾波的代價(jià)測(cè)度進(jìn)行改進(jìn): 在顏色測(cè)度中，我們引入BT測(cè)度，來提高代價(jià)測(cè)度的顏色測(cè)度；在梯度測(cè)度中，我們采用兩方向測(cè)度(水平方向和豎直方向)來提高代價(jià)測(cè)度的梯度測(cè)度。
3.根據(jù)權(quán)利要求1所述的線性分割引導(dǎo)濾波，其特征在于，在步驟2中，對(duì)圖像分割(mean-shift算法)進(jìn)行改進(jìn): 根據(jù)實(shí)驗(yàn)觀察，并通過大量試驗(yàn)發(fā)現(xiàn)，過細(xì)分割仍有較大概率跨越不連續(xù)區(qū)域，故我們提出用超細(xì)分割方法分割圖像；通過試驗(yàn)驗(yàn)證，獲得較好的分割效果。
4.根據(jù)權(quán)利要求1所述的線性分割引導(dǎo)濾波，其特征在于，在步驟3中，對(duì)引導(dǎo)濾波及圖像分割進(jìn)行改進(jìn): 在上面獲得的超細(xì)分割中，對(duì)引導(dǎo)濾波獲得的視差進(jìn)行線性平面擬合，為獲得魯棒、穩(wěn)定的線性解，我們采用偏微分系數(shù)分解方法獲得穩(wěn)定的線性平面參數(shù)，當(dāng)每個(gè)分割塊內(nèi)可信視差的比率H大于0.6，即為穩(wěn)定點(diǎn)，據(jù)此獲得穩(wěn)定平面視差集Γ，然后用穩(wěn)定的視差點(diǎn)集精煉不穩(wěn)定點(diǎn)的視差，并將相同參數(shù)的平面集合并，然后再重新進(jìn)行平面擬和，最終獲得穩(wěn)定的視差圖。
【文檔編號(hào)】G06T7/00GK104376567SQ201410705013
【公開日】2015年2月25日 申請(qǐng)日期:2014年12月1日 優(yōu)先權(quán)日:2014年12月1日
【發(fā)明者】劉怡光, 王曉峰 申請(qǐng)人:四川大學(xué)