CN103632365A - 一种立体图像视差估计方法 - Google Patents

Abstract

本发明公开了图像处理领域的一种立体图像视差估计方法。其技术方案是，首先，将左右图像像素点的灰度值经过隶属度函数处理，得到图像像素点的隶属度；其次，根据设定左右图像的视差值计算窗口覆盖下元素的差异值总和公式，计算该窗口覆盖下的元素的差异值的总和，并通过移动窗口和变换左右图像的视差值，最终得到三维矩阵；最后，找到所得的d_max个三维矩阵元素值中的最小值，从而确定最小值所对应的d即为最佳视差，而得到视差图。本发明的有益效果是，与基于SAD的视差估计方法相比，在非遮挡区、全局及视差不连续区状况下，误匹配百分比更小，匹配精度更高。

Description

一种立体图像视差估计方法

技术领域

本发明属于图像处理领域，尤其涉及一种立体图像视差估计方法。

背景技术

在立体图像的区域匹配方法中，先把左图像中某一像素点作为中心点，将该点附近区域的像素灰度值进行累加得到一个累加和，在右图像中同样选定一点为中心点，也将其及其附近区域像素点灰度值进行累加求和，将两个累加和做减法运算获得差值，若此差异值小于预先设定的阈值，则认为两中心点为匹配点，两中心点对应的视差即为最佳视差。这种算法对于灰度值的大小不加区分，使得灰度值较小的像素点对匹配的作用降低，造成匹配精度不够。

发明内容

针对背景技术中提到的立体图像的区域匹配方法中视差估计的精度低的问题，本发明提出了一种立体图像视差估计方法。

一种立体图像视差估计方法，其特征在于，所述方法具体包括以下步骤：

步骤1：将左右图像像素点的灰度值I(x,y)分别经过隶属度函数处理，得到图像像素点的隶属度u(x,y)；其中x、y为图像像素点的坐标；

步骤2：设定图像像素点隶属度u(x,y)的差异值为-logu(x,y)；同时给定绝对差异值计算公式，从而得到绝对差异值矩阵e(x,y)；

步骤3：设定左右图像的视差值d=0；给定计算窗口覆盖下元素的差异值总和公式；

步骤4：以绝对差异值矩阵e(x,y)中坐标为(n/2+1,m/2+1)的元素为窗口中心点，用窗口覆盖绝对差异值矩阵e(x,y)，利用窗口覆盖下元素的差异值总和公式计算该窗口覆盖下的元素的差异值的总和s(X,Y)，将差异值总和s(X,Y)存储到二维矩阵D(X,Y)中；

步骤5：移动窗口，直到计算出绝对差异值矩阵e(x,y)中每个元素为中心点的窗口内的差异值总和；坐标值满足n/2≤X≤H-n/2、m/2≤Y≤W-m/2；

步骤6：将二维矩阵D(X,Y)存储到三维矩阵D_m(X,Y,d)中，在本步骤中d为常数；

步骤7：将视差值d增加1，判断视差值d是否大于给定的两幅图像的最大视差d_max；若否，重复执行步骤4到步骤7；若是，得到最终三维矩阵D_m(H,W,d_max)，转到步骤8；

步骤8：在三维矩阵D_m(H,W,d_max)中，对于每个给定的h(0≤h≤H)、w(0≤w≤W)，得到d从0到d_max分别对应的三维矩阵D_m(H,W,d_max)的元素值，即为步骤5中计算得到的差异值总和s(X,Y)，找到所得的d_max个三维矩阵元素值中的最小值，此最小值所对应的d即为最佳视差，从而得到视差图。

所述隶属度函数为：

$u(x,y)=\frac{1}{1+{[I(x,y)-1]}^3};$

其中，I(x,y)为图像像素点的灰度值；u(x,y)为图像像素点的隶属度。

所述绝对差异值计算公式为：

e(x,y)=|logu₁(x,d+y)-logu₂(x,y)|；

其中，u₁(x,d+y)和u₂(x,y)分别为左右图像像素点灰度值的隶属度；d为左右图像的视差值，d的初始赋值为0。

所述计算窗口内差异值的总和的公式为：

$s(X,Y)=\underset{i=(x-n/2)}{\overset{x+n/2}{\mathrm{\Σ}}}\underset{i=(y-m/2)}{\overset{y+m/2}{\mathrm{\Σ}}}e(i,j);$

其中，X(n/2≤X≤H-n/2)、Y(m/2≤Y≤W-m/2)为窗口中心点坐标；H、W分别是原始图像的高度和宽度；n、m为窗口尺寸。

所述窗口尺寸为5×5、7×7或9×9。

本发明的有益效果是，与基于SAD的视差估计方法相比，在非遮挡区、全局及视差不连续区状况下，误匹配百分比更小，匹配精度更高。

附图说明

图1是本发明提供的三维矩阵示意图；

图2是本发明提供差绝对值和算法SAD与本发明算法的视差估计方法视差图对比图。

具体实施方式

下面结合附图，对优选的实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

一种立体图像视差估计方法，其特征在于，所述方法具体包括以下步骤：

步骤1：将左右图像像素点的灰度值I(x,y)分别经过隶属度函数处理，得到图像像素点的隶属度u(x,y)；其中x、y为图像像素点的坐标；

所述隶属度函数为：

$u(x,y)=\frac{1}{1+{[I(x,y)-1]}^3};$

其中，I(x,y)为图像像素点的灰度值；u(x,y)为图像像素点的隶属度；

步骤2：设定图像像素点隶属度u(x,y)的差异值为-logu(x,y)；同时给定绝对差异值计算公式，从而得到绝对差异值矩阵e(x,y)；

所述绝对差异值计算公式为：

e(x,y)=|logu₁(x,d+y)-logu₂(x,y)|；

其中，u₁(x,d+y)和u₂(x,y)分别为左右图像像素点灰度值的隶属度；d为左右图像的视差值，d的初始赋值为0；

步骤3：设定左右图像的视差值d=0；给定计算窗口覆盖下元素的差异值总和公式；

所述计算窗口内差异值的总和的公式为：

$s(X,Y)=\underset{i=(x-n/2)}{\overset{x+n/2}{\mathrm{\Σ}}}\underset{i=(y-m/2)}{\overset{y+m/2}{\mathrm{\Σ}}}e(i,j);$

其中，X(n/2≤X≤H-n/2)、Y(m/2≤Y≤W-m/2)为窗口中心点坐标；H、W分别是原始图像的高度和宽度；n、m为窗口尺寸；

步骤4：以绝对差异值矩阵e(x,y)中坐标为(n/2+1,m/2+1)的元素为窗口中心点，用窗口覆盖绝对差异值矩阵e(x,y)，利用窗口覆盖下元素的差异值总和公式计算该窗口覆盖下的元素的差异值的总和s(X,Y)，将差异值总和s(X,Y)存储到二维矩阵D(X,Y)中；

步骤5：移动窗口，直到计算出绝对差异值矩阵e(x,y)中每个元素为中心点的窗口内的差异值总和；坐标值满足n/2≤X≤H-n/2、m/2≤Y≤W-m/2；

步骤6：将二维矩阵D(X,Y)存储到三维矩阵D_m(X,Y,d)中，在本步骤中d为常数；

步骤7：将视差值d增加1，判断视差值d是否大于给定的两幅图像的最大视差d_max，若否，重复执行步骤4到步骤7；若是，得到最终三维矩阵D_m(H,W,d_max)，转到步骤8；具体过程如图1所示；

步骤8：在三维矩阵D_m(H,W,d_max)中，对于每个给定的h(0≤h≤H)、w(0≤w≤W)，得到d从0到d_max分别对应的三维矩阵D_m(H,W,d_max)的元素值，即为步骤5中计算得到的差异值总和s(X,Y)，找到所得的d_max个三维矩阵元素值中的最小值，此最小值所对应的d即为最佳视差，从而得到视差图。

图2是本发明提供SAD与本发明算法的视差估计方法视差图对比图。图中第一行为基于SAD的视差估计方法所得结果；第二行为本发明的视差估计方法所得结果；第一列为视差图，第二列为Tsukuba人头像细节处放大图，第三列为误匹配点图，第四列为人头像细节处放大图，图中出现的所有黑色所示均为误匹配点。

表1Tsukuba图像在基于SAD及本发明算法视差估计方法的实验数据对比

表1中实验数据为Tsukuba标准测试图像时在http://vision.middlebury.edu/stereo/网站测试结果，数据表示二种方法下不同状况时，误匹配百分比。

从表中实验数据可得以下结论：本发明提出的基于差异的视差估计方法与基于SAD的视差估计方法相比，本发明算法在非遮挡区、全局及视差不连续区状况下，误匹配百分比更小，匹配精度更高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应该涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种立体图像视差估计方法，其特征在于，所述方法具体包括以下步骤：

步骤1：将左右图像像素点的灰度值I(x,y)分别经过隶属度函数处理，得到图像像素点的隶属度u(x,y)；其中x、y为图像像素点的坐标；

步骤2：设定图像像素点隶属度u(x,y)的差异值为-logu(x,y)；同时给定绝对差异值计算公式，从而得到绝对差异值矩阵e(x,y)；

步骤3：设定左右图像的视差值d=0；给定计算窗口覆盖下元素的差异值总和公式；

步骤4：以绝对差异值矩阵e(x,y)中坐标为(n/2+1,m/2+1)的元素为窗口中心点，用窗口覆盖绝对差异值矩阵e(x,y)，利用窗口覆盖下元素的差异值总和公式计算该窗口覆盖下的元素的差异值的总和s(X,Y)，将差异值总和s(X,Y)存储到二维矩阵D(X,Y)中；

步骤5：移动窗口，直到计算出绝对差异值矩阵e(x,y)中每个元素为中心点的窗口内的差异值总和；坐标值满足n/2≤X≤H-n/2、m/2≤Y≤W-m/2；

步骤6：将二维矩阵D(X,Y)存储到三维矩阵D_m(X,Y,d)中，在本步骤中d为常数；

步骤7：将视差值d增加1，判断视差值d是否大于给定的两幅图像的最大视差d_max，若否，重复执行步骤4到步骤7；若是，得到最终三维矩阵D_m(H,W,d_max)，转到步骤8；

步骤8：在三维矩阵D_m(H,W,d_max)中，对于每个给定的h(0≤h≤H)、w(0≤w≤W)，得到d从0到d_max分别对应的三维矩阵D_m(H,W,d_max)的元素值，即为步骤5中计算得到的差异值总和s(X,Y)，找到所得的d_max个三维矩阵元素值中的最小值，此最小值所对应的d即为最佳视差，从而得到视差图。

2.根据权利要求1所述的方法，其特征在于，所述隶属度函数为：

$u(x,y)=\frac{1}{1+{[I(x,y)-1]}^3};$

其中，I(x,y)为图像像素点的灰度值；u(x,y)为图像像素点的隶属度。

3.根据权利要求1所述的方法，其特征在于，所述绝对差异值计算公式为：

e(x,y)=|logu₁(x,d+y)-logu₂(x,y)|；

其中，u₁(x,d+y)和u₂(x,y)分别为左右图像像素点灰度值的隶属度；d为左右图像的视差值，d的初始赋值为0。

4.根据权利要求1所述的方法，其特征在于，所述计算窗口内差异值的总和的公式为：

$s(X,Y)=\underset{i=(x-n/2)}{\overset{x+n/2}{\mathrm{\Σ}}}\underset{i=(y-m/2)}{\overset{y+m/2}{\mathrm{\Σ}}}e(i,j);$

其中，X(n/2≤X≤H-n/2)、Y(m/2≤Y≤W-m/2)为窗口中心点坐标；H、W分别是原始图像的高度和宽度；n、m为窗口尺寸。

5.根据权利要求1所述的方法，其特征在于，所述窗口尺寸为5×5、7×7或9×9。

Images