CN105761270B - 一种基于外极线距离变换的树型滤波立体匹配方法 - Google Patents
一种基于外极线距离变换的树型滤波立体匹配方法 Download PDFInfo
- Publication number
- CN105761270B CN105761270B CN201610147363.7A CN201610147363A CN105761270B CN 105761270 B CN105761270 B CN 105761270B CN 201610147363 A CN201610147363 A CN 201610147363A CN 105761270 B CN105761270 B CN 105761270B
- Authority
- CN
- China
- Prior art keywords
- image
- tree
- cost
- parallax
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
Abstract
本发明涉及一种基于外极线距离变换的树型滤波立体匹配方法。本发明首先读入两幅输入图像,计算两幅图像每个像素点的初始视差矩阵,然后利用颜色分割约束生成颜色分割图像,再将外极线原理应用到颜色分割图像中,获得外极线距离变换图像,然后利用外极线距离变换图像和输入图像共同构造最小生成树结构,并计算生成树每条边的权值,然后执行树型滤波算法,获得初始视差图像,最后对初始视差图像进行视差精化。本发明方法将外极线距离引入到代价聚合的过程中,精确度高,计算量小。本发明方法可以应用于无人车导航系统中。
Description
技术领域
本发明涉及立体视觉技术、图像处理技术和摄影原理,是一种基于外极线距离变换的树型滤波立体匹配方法。
背景技术
立体匹配是立体视觉中一个十分重要的部分。立体匹配的关键就是找出不同图像中的对应点,获得二维图像中的深度信息。凡是在需要三维重建的场景中,都需要首先进行立体匹配。立体匹配在医疗,航空,军事等多个方面都有重要的应用。立体匹配方法的核心问题是代价聚合。
近年来,许多新式的立体匹配方法被提出。这些方法可以分为在匹配窗口方面的改进和匹配权值的改进。树型滤波方法就是应用了数据结构的知识,将整幅图像作为一个图结构,在图结构中构造最小生成树结构,然后按照树结构的流向进行聚合,这种聚合方法只有周边的节点参与聚合,但是利用视差传感技术,将整幅图像都变成匹配窗口,速度很快,精度也很高。但是这种方法由于采用树结构,在分配匹配权值的时候,只和相邻接的节点连接,失去了距离信息,所以在某些特殊区域的匹配权值分配错误,影响最终结果。
总的来说,窗口和权值是立体匹配方法的重点,选择合适的窗口和分配正确的权值,对于匹配结果有着至关重要的影响。
发明内容
本发明针对现有树结构立体匹配方法权值分配方法的不足,引入外极线距离变换,构造新的树结构,重新分配权值,弥补原始算法只有单一元素参与权值计算的问题。
本发明主要由以下几个步骤构成:1、计算输入图像初始代价矩阵2、获取颜色分割图像3、获取外极线距离变换图像4、构造生成树结构5、树型滤波6、视差初始及后处理。
本发明方法的具体步骤是:
步骤(1)、计算输入图像初始代价矩阵。具体是针对每一个像素点p的每一个视差距离d,通过计算其于对应图像中的点p'颜色信息的代价值和梯度信息的代价值获得初始代价C(p,d),具体公式如下:
C(p,d)=ρ·Ccolor(p,d)+(1-ρ)·Cgrad(p,d)
其中ρ是一个预定义的参数,用于调节颜色代价和梯度代价的占比。Ccolor(p,d)和Cgrad(p,d)分别是颜色信息的代价值与梯度信息上的代价值。得到对应点在对应视差距离上的代价值后,存入初始代价矩阵。
步骤(2)、获取颜色分割图像。本发明方法采用一种新式的图像分割方法,即在预构建生成树的过程中,加入一个分割约束,公式如下:
其中,we是待处理的边的权重。表示含p节点的子树的边集,表示包含q节点的子树的边集合,τ是一个预定义的值,用于平衡每个区域的大小,|Tp|与|Tq|是子树的大小。将整幅图像分割成多个子树结构,然后为每个子树结构随机分配一个颜色,即获得颜色分割图像。
步骤(3)、获取外极线距离变换图像。颜色分割图像的每一个分割基本符合图像外极线的分布情况。所以,利用颜色分割图像可以简单的获得外极线距离变换图像。像素点p的外极线距离DEDT(p)的计算公式如下:
其中,Dl(p)是像素点p所在的极线的长度,Ol(p)是p所在的极线的起点位置,|Ol(p)-p|即p到极线起点的距离。在得到像素点的外极线距离后,将一个对应的灰度值赋予对应的像素点。
步骤(4)、构造生成树结构。本发明方法利用生成树结构模拟图像的结构,将图像视作一幅图G=(V,E),V是图像的点集,即像素点,E则是图的边集,边的权值即图像中相邻像素点之间的关系。首先将边集按照升序排序,权值最小的边即对应的两个相邻节点最相近,然后从权值小的边开始连接节点,直到所有的节点都完成连接,最小生成树的构建完成。本发明方法利用原图和外极线距离变换图像共同构造生成树,计算边的权值。
步骤(5)、树型滤波聚合。树型滤波聚合是按照生成树结构流向执行的滤波算法,即滤波从根节点一直向叶子节点进行,然后再从叶子节点返回根节点。经过这样的两次滤波,每个节点只和相邻节点直接聚合,但是实际上利用视差传感技术,节点的支持窗口却是整幅图像。
步骤(6)、视差初始及后处理。视差初始是利用WTA(winner take all)方法,从经过聚合的代价矩阵中筛选出每个像素点p代价值最低的最佳视差d,具体公式如下:
其中Dinit(p)即像素点p的初始视差值。disprange是视差值d的取值范围。在获得初始视差结果之后,再根据左右一致性检测筛选出视差图中的遮挡点以及误匹配点,将这些点的代价值清零,然后引入全新的代价,进行新一轮的代价聚合,获得最新的视差。新的代价公式如下:
获得新的代价矩阵之后,再一次执行树型滤波及WTA,获得改进后的稠密视差图,从而完成立体匹配。
本发明的有益效果是:
(1)、本发明方法系统速度快,树型滤波算法是一种快速的立体匹配方法,相比于一些复杂的方法优势明显;
(2)、本发明方法引入了外极线距离变换图像用于构造生成树结构,弥补了树结构方法只有颜色信息计算权值的缺点;
(3)、本发明方法可以用于无人车导航等方面的实用,相比于现有的一些简单的算法,精度更高,导航结果更加准确。
附图说明
图1示出本发明方法的流程图;
图2示出本发明的颜色分割图像结果示例;
图3示出本发明的外极线距离变换图像示例;
图4示出本发明方法树结构示意图;
图5示出树型滤波示意图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,一种基于外极线距离变换的树型滤波立体匹配方法具体步骤是:
步骤(1)、计算输入图像初始代价矩阵。具体是针对每一个像素点p的每一个视差距离d,通过计算其于对应图像中的点p'颜色信息的代价值和梯度信息的代价值获得初始代价,具体公式如下:
C(p,d)=ρ·Ccolor(p,d)+(1-ρ)·Cgrad(p,d)
其中ρ是一个预定义的参数,用于调节颜色代价和梯度代价的占比。Ccolor(p,d)和Cgrad(p,d)分别是颜色信息的代价值与梯度信息上的代价值。得到对应点在对应视差距离上的代价值后,存入初始代价矩阵。
步骤(2)、获取颜色分割图像。本发明方法采用一种新式的图像分割方法,即在预构建生成树的过程中,加入一个分割约束,公式如下:
其中,we是待处理的边的权重。表示含p节点的子树的边集,表示包含q节点的子树的边集合,τ是一个预定义的值,用于平衡每个区域的大小,|Tp|与|Tq|是子树的大小。将整幅图像分割成多个子树结构,然后为每个子树结构随机分配一个颜色,即获得颜色分割图像。颜色分割示例图像如图2所示。
步骤(3)、获取外极线距离变换图像。颜色分割图像的每一个分割基本符合图像外极线的分布情况。所以,利用颜色分割图像可以简单的获得外极线距离变换图像。像素点p的外极线距离DEDT(p)的计算公式如下:
其中,Dl(p)是像素点p所在的极线的长度,Ol(p)是p所在的极线的起点位置,|Ol(p)-p|即p到极线起点的距离。在得到像素点的外极线距离后,将一个对应的灰度值赋予对应的像素点。外极线距离变换图像的示例图像如图3所示。
步骤(4)、构造生成树结构。本发明方法利用生成树结构模拟图像的结构,将图像视作一幅图G=(V,E),V是图像的点集,即像素点,E则是图的边集,边的权值即图像中相邻像素点之间的关系。首先将边集按照升序排序,权值最小的边即对应的两个相邻节点最相近,然后从权值小的边开始连接节点,直到所有的节点都完成连接,最小生成树的构建完成。本发明方法利用原图和外极线距离变换图像共同构造生成树,计算边的权值。生成树的结构图如图4所示,图G=(V,E)中的任一点到另一点之间有且仅有一条路径,且这条路径的权值最小。
步骤(5)、树型滤波聚合方法。树型滤波聚合方法是按照生成树结构流向执行的滤波算法。树型滤波如图5所示,滤波分为从根节点到叶子节点与从叶子节点到根节点两种。从根节点到叶子节点的滤波中,代价值从根向下传播;从叶子节点到根节点的滤波中,代价值从叶子节点方向向上传播。生成树结构上的每个节点只和相邻节点直接聚合,但是利用视差传感技术,经过两次滤波之后,节点的支持窗口却是整幅图像,即每一个像素都对图像上的任一像素的代价值做出贡献。
步骤(6)、视差初始及后处理。视差初始是利用WTA(winner take all)方法,从经过聚合的代价矩阵中筛选出每个像素点p代价值最低的最佳视差d,具体公式如下:
其中Dinit(p)即像素点p的初始视差值。disprange是视差值d的取值范围。在获得初始视差结果之后,我们再根据左右一致性检测筛选出视差图中的遮挡点以及误匹配点,将这些点的代价值清零,然后引入全新的代价,进行新一轮的代价聚合,获得最新的视差。新的代价公式如下:
获得新的代价矩阵之后,再一次执行树型滤波及WTA,获得改进后的稠密视差图,从而完成立体匹配。
Claims (1)
1.一种基于外极线距离变换的树型滤波立体匹配方法,其特征在于该方法的具体步骤是:
步骤(1)、计算输入图像初始代价矩阵;
针对每一个像素点p的每一个视差距离d,通过计算其于对应图像中的点p'颜色信息的代价值和梯度信息的代价值获得初始代价C(p,d),具体公式如下:
C(p,d)=ρ·Ccolor(p,d)+(1-ρ)·Cgrad(p,d)
其中ρ是一个预定义的参数,用于调节颜色代价和梯度代价的占比;Ccolor(p,d)和Cgrad(p,d)分别是颜色信息的代价值与梯度信息上的代价值;得到对应点在对应视差距离上的代价值后,存入初始代价矩阵;
步骤(2)、获取颜色分割图像;
采用一种图像分割方法,即在预构建生成树的过程中,加入一个分割约束,公式如下:
其中,we是待处理的边的权重;表示含p节点的子树的边集,表示包含q节点的子树的边集合,τ是一个预定义的值,用于平衡每个区域的大小,|Tp|与|Tq|是子树的大小;将整幅图像分割成多个子树结构,然后为每个子树结构随机分配一个颜色,即获得颜色分割图像;
步骤(3)、获取外极线距离变换图像;
颜色分割图像的每一个分割符合图像外极线的分布情况;所以,利用颜色分割图像可以简单的获得外极线距离变换图像;像素点p的外极线距离DEDT(p)的计算公式如下:
其中,Dl(p)是像素点p所在的极线的长度,Ol(p)是p所在的极线的起点位置,|Ol(p)-p|即p到极线起点的距离;在得到像素点的外极线距离后,将一个对应的灰度值赋予对应的像素点;
步骤(4)、构造生成树结构;
利用生成树结构模拟图像的结构,将图像视作一幅图G=(V,E),V是图像的点集,即像素点,E则是图的边集,边的权值即图像中相邻像素点之间的关系;首先将边集按照升序排序,权值最小的边即对应的两个相邻节点最相近,然后从权值小的边开始连接节点,直到所有的节点都完成连接,最小生成树的构建完成;利用原图和外极线距离变换图像共同构造生成树,计算边的权值;
步骤(5)、树型滤波聚合;
按照生成树结构流向执行滤波算法,即滤波从根节点一直向叶子节点进行,然后再从叶子节点返回根节点;经过这样的两次滤波,每个节点只和相邻节点直接聚合;
步骤(6)、视差初始及后处理;
视差初始是利用WTA方法,从经过聚合的代价矩阵中筛选出每个像素点p代价值最低的最佳视差d,具体公式如下:
其中Dinit(p)即像素点p的初始视差值;disprange是最佳视差d的取值范围;在获得初始视差结果之后,再根据左右一致性检测筛选出视差图中的遮挡点以及误匹配点,将这些点的代价值清零,然后引入全新的代价,进行新一轮的代价聚合,获得最新的视差;新的代价公式如下:
获得新的代价矩阵之后,再一次执行树型滤波及WTA方法,获得改进后的稠密视差图,从而完成立体匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610147363.7A CN105761270B (zh) | 2016-03-15 | 2016-03-15 | 一种基于外极线距离变换的树型滤波立体匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610147363.7A CN105761270B (zh) | 2016-03-15 | 2016-03-15 | 一种基于外极线距离变换的树型滤波立体匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761270A CN105761270A (zh) | 2016-07-13 |
CN105761270B true CN105761270B (zh) | 2018-11-27 |
Family
ID=56333177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610147363.7A Active CN105761270B (zh) | 2016-03-15 | 2016-03-15 | 一种基于外极线距离变换的树型滤波立体匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761270B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504276B (zh) * | 2016-10-25 | 2019-02-19 | 桂林电子科技大学 | 非局部立体匹配方法 |
CN107341822B (zh) * | 2017-06-06 | 2019-11-08 | 东北大学 | 一种基于最小分支代价聚合的立体匹配方法 |
CN107341823B (zh) * | 2017-06-06 | 2019-08-09 | 东北大学 | 一种基于特征融合的最小分支立体匹配方法 |
CN109887008B (zh) * | 2018-08-31 | 2022-09-13 | 河海大学常州校区 | 基于前后向平滑和o(1)复杂度视差立体匹配方法、装置和设备 |
CN109345478B (zh) * | 2018-09-27 | 2020-11-17 | 深圳市牧月科技有限公司 | 一种基于梯度最小化的图像平滑处理方法 |
CN112734822B (zh) * | 2019-10-28 | 2023-07-18 | 天津大学青岛海洋技术研究院 | 一种基于红外和可见光图像的立体匹配算法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976455A (zh) * | 2010-10-08 | 2011-02-16 | 东南大学 | 一种基于立体匹配的彩色图像三维重建方法 |
CN102074014A (zh) * | 2011-02-23 | 2011-05-25 | 山东大学 | 一种利用基于图论的图像分割算法的立体匹配方法 |
CN102930530A (zh) * | 2012-09-26 | 2013-02-13 | 苏州工业职业技术学院 | 一种双视点图像的立体匹配方法 |
CN103218776A (zh) * | 2013-03-07 | 2013-07-24 | 天津大学 | 基于最小生成树的非局部的深度图超分辨率重建方法 |
CN103236082A (zh) * | 2013-04-27 | 2013-08-07 | 南京邮电大学 | 面向捕获静止场景的二维视频的准三维重建方法 |
CN103646396A (zh) * | 2013-11-29 | 2014-03-19 | 清华大学深圳研究生院 | 双目立体匹配算法的匹配代价算法和非局部立体匹配算法 |
CN104680510A (zh) * | 2013-12-18 | 2015-06-03 | 北京大学深圳研究生院 | Radar视差图优化方法、立体匹配视差图优化方法及系统 |
-
2016
- 2016-03-15 CN CN201610147363.7A patent/CN105761270B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976455A (zh) * | 2010-10-08 | 2011-02-16 | 东南大学 | 一种基于立体匹配的彩色图像三维重建方法 |
CN102074014A (zh) * | 2011-02-23 | 2011-05-25 | 山东大学 | 一种利用基于图论的图像分割算法的立体匹配方法 |
CN102930530A (zh) * | 2012-09-26 | 2013-02-13 | 苏州工业职业技术学院 | 一种双视点图像的立体匹配方法 |
CN103218776A (zh) * | 2013-03-07 | 2013-07-24 | 天津大学 | 基于最小生成树的非局部的深度图超分辨率重建方法 |
CN103236082A (zh) * | 2013-04-27 | 2013-08-07 | 南京邮电大学 | 面向捕获静止场景的二维视频的准三维重建方法 |
CN103646396A (zh) * | 2013-11-29 | 2014-03-19 | 清华大学深圳研究生院 | 双目立体匹配算法的匹配代价算法和非局部立体匹配算法 |
CN104680510A (zh) * | 2013-12-18 | 2015-06-03 | 北京大学深圳研究生院 | Radar视差图优化方法、立体匹配视差图优化方法及系统 |
Non-Patent Citations (4)
Title |
---|
A non-local cost aggregation method for stereo matching;YANG Q 等;《2012 IEEE Conference on Computer Visionand Pattern Recognition》;20121231;第1402-1409页 * |
Segment-tree based cost aggregation for stereo matching;MEI X 等;《Conference on Computer Vision and Pattern Recognition》;20130630;第313-320页 * |
基于多尺度多方向相位匹配的立体视觉方法;李德广 等;《仪器仪表学报》;20040831;第25卷(第4期);第600-602页 * |
基于线性滤波的树结构动态规划立体匹配算法;储珺 等;《自动化学报》;20151130;第41卷(第11期);第1941-1950页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105761270A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105761270B (zh) | 一种基于外极线距离变换的树型滤波立体匹配方法 | |
CN107220997B (zh) | 一种立体匹配方法及系统 | |
CN103646396B (zh) | 双目立体匹配算法的匹配代价算法和非局部立体匹配算法 | |
CN108629812A (zh) | 一种基于双目相机的测距方法 | |
CN111402311B (zh) | 一种基于知识蒸馏的轻量级立体视差估计方法 | |
CN103971366B (zh) | 一种基于双权重聚合的立体匹配方法 | |
CN102074014A (zh) | 一种利用基于图论的图像分割算法的立体匹配方法 | |
CN103955954B (zh) | 一种结合同场景立体图对的高分辨率深度图像重建方法 | |
CN107690650B (zh) | 用于将3d场景重构为3d模型的方法 | |
US20170272724A1 (en) | Apparatus and method for multi-view stereo | |
CN103702103B (zh) | 基于双目相机的光栅立体印刷图像合成方法 | |
CN103236082A (zh) | 面向捕获静止场景的二维视频的准三维重建方法 | |
CN104867135A (zh) | 一种基于指导图像引导的高精度立体匹配方法 | |
CN109146946A (zh) | 一种图像非局部立体匹配方法 | |
CN101996399A (zh) | 在左图像与右图像之间估计视差的设备和方法 | |
CN105654548A (zh) | 一种基于大规模无序图像的多起点增量式三维重建方法 | |
CN106815594A (zh) | 立体匹配方法及装置 | |
CN109146937A (zh) | 一种基于深度学习的电力巡检影像密集匹配方法 | |
CN102447917A (zh) | 立体图像匹配方法及其设备 | |
CN109887008B (zh) | 基于前后向平滑和o(1)复杂度视差立体匹配方法、装置和设备 | |
CN112734822B (zh) | 一种基于红外和可见光图像的立体匹配算法 | |
CN104200450A (zh) | 一种红外热图像清晰度增强方法 | |
CN108510529A (zh) | 一种基于自适应权值的图割立体匹配方法 | |
CN109801323A (zh) | 具有自我提升能力的金字塔双目深度估计模型 | |
CN105787932A (zh) | 基于分割交叉树的立体匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |