logo资料库

基于HSV颜色空间的自适应窗口局部匹配算法.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：9.65M 资料格式：pdf 举报 版权申诉
第1页 / 共8页
第2页 / 共8页
第3页 / 共8页
第4页 / 共8页
第5页 / 共8页
第6页 / 共8页
第7页 / 共8页
第8页 / 共8页
资料共8页，全文预览结束
    ５５,０３１１０３(２０１８) 激光与光电子学进展 Laser&OptoelectronicsProgress ○C２０１８«中国激光»杂志社 基于 HSV 颜色空间的自适应窗口局部匹配算法 苏修,陈晓冬,徐怀远,梁海涛,刘依林,汪毅,李伟锋,郁道银 天津大学精密仪器与光电子工程学院光电信息技术教育部重点实验室,天津３０００７２ 摘要　为提高立体匹配算法的效果和稳定性,提出了一 种 基 于 色 调(H)、饱 和 度(S)和 明 度(V)颜 色 空 间 的 自 适 应 聚合区域的引导滤波算法.结合图片的结构和纹理信息,通过颜色和横向梯度 的 相 互 作 用 计 算 初 始 匹 配 代 价.在 HSV 颜色空间中运用颜色和距离信息计算每 一 点 的 自 适 应 支 撑 臂 长,解 决 了 图 片 中 红、绿、蓝３ 种 颜 色 变 化 趋 势 相近导致无法有效反映图片信息的问题.自适应聚合区域利用中心点纵向臂上 各 点 的 横 向 臂 进 行 构 造,采 用 引 导 滤波的方法在自适应聚合区域内聚合代价空间.为避免中心点邻域信息波动造 成 支 撑 窗 口 过 小 的 问 题,设 置 了 臂 长的最小范围.后处理过程采用左右一致性检测结合峰比率检测的方法寻找误 匹 配 点,通 过 近 邻 点 匹 配 和 加 权 中 值滤波的方法修正视差图.采用 Middlebury平 台 上 的 标 准 图 片 进 行 实 验,结 果 表 明 所 提 算 法 的 平 均 匹 配 误 差 为 ５．２４％,比改进前的自适应窗口算法的匹配误差降低了０．９２％,具有更好的边缘保持效果,算法参数稳健性较好. 关键词　成像系统;立体匹配;自适应聚合区域;引导滤波 中图分类号　TP３９４．４１　　　文献标识码　A doi:１０．３７８８/LOP５５．０３１１０３ AdaptiveWindowLocalMatchingAlgorithm BasedonHSVColorSpace SuXiu ChenXiaodong XuHuaiyuan LiangHaitao LiuYilin WangYi LiWeifeng YuDaoyin KeyLaboratoryoftheMinistryofEducationonOptoelectronicInformationTechnology SchoolofPrecision InstrumentandOptoelectronicsEngineering TianjinUniversity Tianjin３０００７２ China Abstract　Inordertoimprovetheeffectandstabilityofstereomatchingalgorithm weproposeaguidedfiltering algorithmbasedonadaptiveaggregationregioninHueＧSaturationＧValue HSV colorspace敭Wecalculateinitial matchingcostbytheinteractionofcolorandtransversegradientincombinationwiththestructureandtexture informationoftheimage敭Then wecalculatethelengthoftheadaptivesupportarmofeachpointbasedonthecolor anddistanceinformationinHSVcolorspace whichsolvestheproblemthatthechangetrendofthered greenand bluecolorsinthepictureissimilarandcannoteffectivelyreflectthepictureinformation敭Weconstructtheadaptive aggregationregionusingatransversearmateachpointonthelongitudinalarmofthecenterpoint andaggregate thecostspaceintheadaptiveaggregationregionbyguidedfiltering敭Inordertoavoidtheproblemthatthesupport windowistoosmallduetothefluctuationoftheneighborhoodinformation wesettheminimumrangeofthearm length敭IntheprocessofpostＧprocessing weusetheleftandrightconsistencydetectionandthepeakratiodetection methodtofindmismatchingpoints andcorrectthedisparitymapbythenearestneighbormatchingandweighted medianfiltering敭TheexperimentsarecarriedoutonstandardimagesofMiddleburyplatform敭Resultsshowthat averagematchingerroroftheproposedalgorithmis５敭２４％ andthematchingerrorisreducedby０敭９２％compared withthethatofpreＧimprovementadaptivewindowalgorithm敭Theproposedalgorithmhasbetteredgepreservation effectandtherobustnessofthealgorithmparametersisgood敭 Keywords　imagingsystems stereomatching adaptiveaggregationregion guidedfiltering OCIScodes　１１０敭３０１０ １２０敭２４４０ １５０敭１１３５ 　　收稿日期:２０１７Ｇ０９Ｇ１３;收到修改稿日期:２０１７Ｇ１０Ｇ１１ 作者简介:苏修(１９９４—),男,硕士研究生,主要从事三维图像处理方面的研究.EＧmail:suxiu＠tju．edu．cn 导师简介:陈晓冬(１９７５—),男,博士,教授,主要从事光电成像技术及系统方面的研究. EＧmail:xdchen＠tju．edu．cn(通信联系人) ０３１１０３Ｇ１
    立体匹配是近年来计算机视觉领域的研究热点 局立体匹配通过数据项和平滑项能量函数将匹配问 １　引　　言 之一,其核心思想是在左右图像中寻找对应点,求取 视差图以获得空 间 深 度 信 息.目 前,立 体 匹 配 算 法 主要分为全局立体匹配和局部立体匹配两类[１].全 题转化为能量最小化问题.常用的全局立体匹配算 法有动态规划 法[２]、图 割 法[３]、马 尔 可 夫 随 机 场[４]、 置信传播等[５].这 类 方 法 的 计 算 复 杂 度 高,实 时 性 较差.局部立体匹配算法是一种基于窗口的滤波算 法,其运行时间短,发展潜力大. 在代价计算过程中,传统的局部立体匹配方法 主要包括基于灰度绝对差(AD)、平方差(SD)、梯度 差[６]、对比度[７]和归一化互相关(NCC)[８]的方法,以 及非参数变换[９](如Rank,census)等方法.在代价 聚合过程中,很多方法如可变支撑窗口[１０Ｇ１１]、自适应 支撑权重[１２Ｇ１３]、引 导 滤 波 等 方 法 均 被 提 出[１４],其 中 Yoon等[１２]于２００６ 年 提 出 了 自 适 应 权 重 的 局 部 立 体匹配算法,该算法 在 匹 配 效 果 上 取 得 了 接 近 全 局 匹配的效果.但是 利 用 这 类 方 法 进 行 计 算 时,仅 考 虑颜色和距离的作 用,不 能 较 好 地 保 持 物 体 边 缘 信 息计算的正确性,无 法 实 现 并 行 计 算,复 杂 度 较 高. ２０１３年,He等[１４]提 出 了 引 导 滤 波 算 法,取 得 了 类 似自适应立体匹配算法的效果,通过引入并行运算, 心点相关的滤波区域时存在类似信息重复计算的问 降低了算法的复杂 度;该 方 法 中 的 滤 波 窗 口 大 小 是 固定的,然而实际 情 况 下 图 片 的 大 小、颜 色、空 间 距 离等都会对窗口的 选 择 产 生 一 定 的 影 响,因 此 采 用 固定窗口的方法不可避免地会引入误差.Xu等[１５] 提出了自适应形状 的 支 撑 窗 口 方 法,该 方 法 在 一 定 程度上解决了固定 窗 口 的 问 题,但 是 仅 通 过 图 片 的 红、绿、蓝(RGB)颜色权重进行对比,而图片的 RGB 颜色变化趋势具有 相 似 性,因 此 该 方 法 在 构 造 与 中 题,容易引入无关点的干扰,并且该方法也没有考虑 聚合窗口中点与点之间距离的影响. 本文提出 了 一 种 基 于 色 调(H)、饱 和 度(S)和 明度(V)颜 色 空 间 的 局 部 立 体 匹 配 算 法. 该 算 法 从图片的亮度、色 度、饱 和 度３ 个 不 同 维 度 为 每 个 中心像素 选 出 滤 波 区 域,通 过 代 价 聚 合 过 程 获 得 更高的匹配精度. 由 于 距 离 中 心 点 近 的 像 素 点 更 可能与中 心 点 具 有 相 同 视 差,因 此 将 距 离 中 心 点 较近的区 域 加 入 自 适 应 支 撑 窗 口 中,从 而 有 效 提 高立体匹配精度. ２　算法描述 所提方法分４个步骤:匹配代价计算,聚合区域 选取,代价聚集以及视差选取和后处理过程,算法框 架 如 图 １ 所 示.ARSW 代 表 自 适 应 聚 合 区 域, WTA 为 WinnerＧTakeＧAll. 图１ 所提算法框图 Fig敭１ Blockdiagramofproposedalgorithm 度绝对差能提高规律纹理区域的匹配精度.图像的 梯度值包含丰富的 结 构 信 息,梯 度 差 的 应 用 能 区 分 待匹配点附近的结构差异.左右图的对应匹配代价 值可表示为 匹配代价主要考查左右图像中对应点之间的相 ２．１　匹配代价计算 似性.多数立体匹 配 算 法 会 将 灰 度 差 绝 对 值 和、横 向梯度差绝对值和、统计变换(CT)的汉明距离等结 合使用[１６].在求 取 视 差 图 时 综 合 了 色 度 绝 对 差 和 横向梯度差.色度 绝 对 差 表 征 匹 配 的 概 率,利 用 色 Cp,d( ) minCAD,TAD ) ＝ １－α( αminCGRAD,TGRAD ( ( ) , ) ＋ (１) ０３１１０３Ｇ２
    式中α为调节色度绝对值差和横向梯度绝对值差权 重的比例系数,TAD和TGRAD分别为色度绝对值差和 横向梯度绝对值差 的 截 断 值.令c为 RGB 颜 色 空 间中R、G、B 颜色分量中的一种,p为参考图中的一 点,d为目标图中对应点p′与点p在x轴方向的距 离,CAD(p,d)和CGRAD(p,d)分 别 为 色 度 绝 对 值 差 和横向梯度绝对值差,可表示为 Ic p( ) ,(２) ) , (３) 式中Ic(p)、I^c(p′)分别表示左右视图中点p和p′ 的颜色强度,I′(p)、I^′(p′)分 别 表 示 左 右 视 图 所 对 ) －I^c p′( ) － ÑxI^′p′( CAD p,d( CGRAD p,d( ) ＝ ∑c∈ R,G,B ) ＝ ÑxI′p( { } 应的灰度图中点p 和p′的 强 度.假 设 参 考 图 中 点 p的位置为(xp,yp),其 在 目 标 图 中 的 对 应 点p′的 位置为(xp－d,yp).截 断 值 能 有 效 抑 制 噪 点 与 正 常值之差的极大值,有利于后续的滤波过程. ２．２　聚合区域的选取 ２．２．１　HSV 颜色空间 RGB 颜色空间,但 是 由 于 在 同 一 场 景 中 R、G、B 颜 色分量的变化具有 一 定 的 相 似 性,因 此 该 方 法 并 不 能有效提取图片的信息.图２中展示了对于同一图 片的R、G、B 颜 色 分 量 和 H、S、V 颜 色 分 量 的 灰 度 图对比. 目前立体匹配算法中聚合区域的选取大多基于 图２ Tsukuba颜色分量灰度图.(a)R 分量;(b)G 分量;(c)B分量;(d)H 分量;(e)S分量;(f)V 分量 Fig敭２ ColorcomponentgrayscaleofTsukuba敭 a Rcomponent b Gcomponent c Bcomponent d Hcomponent e Scomponent f Vcomponent 　　从图２中可以看出,图片的R、G、B 分量在颜色 变化上具有很好的一致性,因此在RGB 颜色空间中 求取聚合区域时,信 息 的 重 复 计 算 导 致 无 法 获 取 合 适的聚合区域.HSV 颜色空间从色调、饱和度和明 度３个方面提取图像信息,提高了图像的分辨水平, 因此在 HSV 颜色空间中能有效提取出图片的信息. H 分量突出反映了图像的色彩变化情况,能有效区分 图片的前景和后景;S分量突出体现了图像边界和颜 色变化;V 分量则反映了图像中的亮度变化. ２．２．２　自适应聚合区域 首先将图 片 从 RGB 颜 色 空 间 转 换 到 HSV 颜 色空间,采用３×３ 的 中 值 滤 波 函 数 平 滑 处 理 H 分 量图和S 分 量 图,以 排 除 噪 声 对 窗 口 构 造 的 影 响. 为了找出深度相近的均匀区域,进行如下假设:图片 中亮度、色度和饱和 度 之 一 变 化 较 大 的 区 域 发 生 了 空间深度或图片结 构 的 明 显 变 化,因 此 在 同 一 滤 波 窗口内的像素具有类似的视差和纹理结构. 通过确定每个点p所在位置(xp,yp)在４个方 向的臂长{lrp,ltp,llp,ldp}(lrp,ltp,llp,ldp 分别代表右、 上、左、下臂长)来构造聚合区域,臂长的大小表示像 素点的个数.设 H(p)表示每个点的横向臂,V(p) 表示以点p为中心的竖向臂.那么,以点p为中心 (４) 式中q为以点p为中心的位于臂上的点. 接着,根据亮度、色度和饱和度３个分量的变化 情况来决定每个点p的臂长.由于距离中心点越近 的点对中心点的影响越大,在构造臂长时,为了防止 聚合区域过小带来误差(如边界区域附近的点),设臂 Np ＝ ∪q∈V(p) H(q), 的区域为 ０３１１０３Ｇ３
    { 长最小值为Lmin,同时设臂长的最大值为Lmax.考虑 到 H、S、V 分 量 分 别 代 表 同 一 图 片 的 不 同 维 度,因 此它们对图片信息的反映权重是不同的,设 H、S、V 分量的权重分别为h０、s０ 和v０,即αc 的分量.以右 臂长lrp 的 计 算 为 例,设 最 佳 臂 长 为l∗,当l∈ [Lmin,l∗]时,maxc∈{H,S,V}(αc|Ic(p)－Ic(pl)|)≤ τ,其 中 αc ∈ h０,s０,v０ } );当 l＝l∗ ＋１ 时, ) ＞τ,若l∗ ＜ maxc∈ H,S,V Lmin,设 l∗ ＝Lmin. 因 此 右 臂 上 的 每 一 点 用 δ(p,pl)表示,δ(p,pl)＝１ 表 示 该 点pl 位 于 以 点 p为中心建立的臂长上,δ(p,pl)＝０表示其不存在 于点p为中心的臂长上,即 } αc Ic(p)－Ic(pl) δp,pl { ( δp,pl ( (５) 　　ltp,llp,ldp 同样可以用 上 面 提 到 的 方 法 求 出,结 ) ＝１, l∈ ０,l∗ ] ) ＝０, l∈ l∗,＋ ¥ . ( ( ) ( { 合(４)式可构建所有点p的自适应聚合窗口Np. 图３ 对 比 了 不 同 的 聚 合 区 域 构 造 方 法. 图３(a)展 示 了 矩 形 区 域 的 聚 合 方 式[１４],该 方 法 会 引 入 一 定 量 的 无 关 点,导 致 代 价 聚 合 产 生 错 误 的 结 果. 图３(b)展 示 了 自 适 应 聚 合 区 域 的 聚 合 方 式[１５],其 中 红 点 是 边 界 附 近 图 像 信 息 变 化 剧 烈 的 点,这 些 特 殊 点 的 干 扰 导 致 聚 合 区 域 非 常 小, 无 法 正 确 获 得 滤 波 的 输 出 结 果. 图３(c)展 示 了 所 提 方 法 选 取 的 聚 合 区 域,其 中 红 色 方 框 内 包 含 的 点 表 示 距 离p点 较 近 的 信 任 区 域,绿 色 方 框 内 包 含 的 点 是 由 基 于 HSV 颜 色 空 间 的 自 适 应 聚 合 窗 口 的 方 式 构 造 而 成,从 图 中 可 以 看 出,所 提 方 法 在 保 证 聚 合 区 域 具 有 足 够 尺 寸 的 同 时,能 尽 可 能 多 的 包 含 同 质 区 域 的 像 素,从 而 获 得 正 确 的 滤 波 结 果. 图３ 不同的聚合区域对比.(a)固定区域;(b)自适应聚合区域;(c)所提方法选取的聚合区域 Fig敭３ Comparisonofdifferentaggregationregions敭 a Fixedregion b adaptiveaggregationregion c aggregationregionselectedbyproposedmethod 得到 ) , WGFijpj( 代价聚合过程是利用像素周围结构的信息对中 ２．３　代价聚合 心像素进行滤波,通过引入像素间的关联性,提高视 差的准确度.采用 引 导 滤 波 算 法,针 对 代 价 空 间 中 的一点i,引入 Wij权 重 因 子,j代 表 代 价 空 间 中 的 另一点,结合周围同质区域的点优化中心点的权值, qi( ) ＝∑j (６) } , { １w ２ ∑k:(i,j)∈wk １＋ (７) 式中WGFij 表示i点 与j点 间 的 滤 波 权 重,I(i)和I (j)分别为i点和j点处的灰度值,μk 和σ２k 分 别 为 I在窗口wk 内的均值和方差,窗口内的像素点数为 w ,ε为平滑因子,p(j)为初始匹配代 价 值,q(i) 为滤波后 输 出 的 代 价 值. 中 心 点 在k点,窗 口 wk 采用第２．２节中提出的方法获得. WGFij ＝ Ij( [ ] Ii( ) －μk σ２k＋ε ) －μk [ ] Cagg(p,d), dp ＝argmind∈R ２．４　视差处理和后处理 视差选取整合 视 差 空 间 的 信 息,采 用 WTA 的 方法求取视差图.选取的最优值为 (８) 式中R 为 视 差 的 取 值 范 围,Cagg(p,d)为 初 始 视 差值. 初始视差图中仍存在一些遮挡点和误匹配点, 可通过优化视差图的方法去除.首先通过左右一致 性检测找出图中视 差 变 化 明 显 区 域 的 误 匹 配 点,然 后在视差变化不明 显 区 域,利 用 峰 比 率 检 测 搜 寻 不 稳定点,即 Cp,１ －Cp,２ , Cp,２ MPKRp ＝ (９) 式中 MPKRp 为点p 的 峰 比 率,Cp,１ 为 代 价 空 间 中 最 小的匹配代 价 值,Cp,２为 次 小 的 匹 配 代 价 值. 次 小 值越接近最小值,该点的峰比率越接近于零,则该最 小值越不可信.峰比率低于特定阈值ηPKR的点称为 不稳定点. 采 用 近 邻 点 法 寻 找 误 匹 配 点 对 应 的 正 确 匹 配 ０３１１０３Ｇ４
    点,即以中心点为核心,进行横向和竖向正确匹配点 搜索,即 ifdlranddudnotexist elseifonlydlrexist , elseifonlydudexist d∗p, dlr, dud, ì ï ïï í ï ïï min(dlr,dud), î otherwise d∗p ＝ 中值滤波的方法对修正后的误匹配点和检测出的不 (１０) 式中dlr代表 min(dl,dr),其 中dl 和dr 为 横 向 最 近的正确点 的 视 差;dud表 示 min(du,dd),其 中du 和dd 为竖向最近的正确点的 视 差.最 后 采 用 加 权 稳定点进行进一步优化[１７]. ３　仿真结果与分析 ３．１　基于理想图像的仿真 算法 实 现 的 硬 件 平 台 中 央 处 理 器 (CPU)为 Intel(R)Core(TM)i５Ｇ７４００,显 卡(GPU)型 号 为 GerforceGTX７５０Ti.在 UbuntuLinux系统中编 写代码,运用统 一 计 算 设 备 架 构(CUDA)进 行 内 存 优化和并行 运 算 处 理,采 用 NsightEclipseEdition 软件进行调试.仿真中,采用 Middlebury立体匹配 算法测试平台提供 的 标 准 立 体 图 像,以 验 证 算 法 的 有 效 性. 网 站 提 出 的 ４ 组 基 准 彩 色 图 像 对 Tsukuba、Venus、Teddy 和 Cones的 分 辨 率 分 别 为 ３８４ pixel×２８８ pixel、４３４ pixel×３８３ pixel、 ４５０pixel×３７５pixel和４５０pixel×３７５pixel,视 差 范围分别为０~１５pixel、０~３２pixel、０~５９pixel和 ０~５９pixel. 其 他 参 数 设 置 如 下:α＝０．８９,TAD＝ ０．０２７５,TGRAD＝０．００７８,h０＝０．８５,s０＝０．８４,v０＝ １．４,τ＝０．１,ηPKR＝０．０２１９,Lmin＝４,Lmax＝１６,r＝ ３１.除了视差范围 不 同 外,其 余 参 数 在 测 试 过 程 中 均保持不变. 图４ 为该算法得到的视差效果图,图像的顺序 由上至下依次是Tsukuba、Venus、Teddy和Cones. 每行图的第二列为 真 实 视 差 图,第３ 列 为 该 算 法 的 视差图,第４列为自适应立体匹配方法的视差图[７], 第５列为 ASSW 方 法 的 视 差 图[１５]. 通 过 比 较 仿 真 结果可以看出,相比 于 其 他 类 似 的 局 部 立 体 匹 配 算 法,该算法具有较高的匹配精度和更好的保边效果, 如图中红色方框内的图像边缘所示. 图４ (a)参考图像;(b)真实视差图;(c)所提算法,(d)自适应立体匹配方法和(e)ASSW 方法对 Middlebury图像对的仿真结果 Fig敭４ a Referenceimages b actualdisparitymaps simulationresultsobtainedby c proposedalgorithm d adaptivestereomatchingmethodand e ASSW methodforMiddleburystereopairs 　　当阈值为１时,所 提 算 法 和 类 似 算 法 的 误 匹 配 率比较结 果 如 表１ 所 示.Middlebury 平 台 上 提 供 的检验算法有效性 的 标 准 模 板 有３ 种,分 别 为 非 遮 挡区 域 误 匹 配 像 素 比(Noocc)、总 误 匹 配 像 素 比 ０３１１０３Ｇ５
    表１　阈值为１时的误匹配像素平均百分比 Table１　Averagepercentageofmismatchedpixelswiththresholdof１ Tsukuba Cones Venus Teddy Algorithm Proposed ASSW[１３] Noocc All Disc Noocc All Disc Noocc All Disc Noocc All Disc １．５８ １．８６ ５．８３ ０．２７ ０．４６ ２．４０ ６．１０ １１．３０ １４．５０ ２．７１ ８．４２ ７．５０ １．８１ ２．１７ ７．８５ ０．３２ ０．５１ ３．７３ ７．０２ １２．５０ １７．４０ ３．２１ ８．４０ ８．９９ Adaptweight[１２] １．３８ １．８５ ６．９０ ０．７１ １．１９ ６．１３ ７．８８ １３．３０ １８．６０ ３．９７ ９．７９ ８．２６ Costfilter[１８] １．５１ １．８５ ７．６１ ０．２０ ０．３９ ２．４２ ６．１６ １１．８０ １６．００ ２．７１ ８．２４ ７．６６ Variablecross[１９] １．９９ ２．６５ ６．７７ ０．６２ ０．９６ ３．２０ ９．７５ １５．１０ １８．２０ ６．２８ １２．７０ １２．９０ ０．９８ １．５３ ５．３１ ０．２５ ０．６９ ２．６０ ９．９３ １４．５０ ２２．６０ ６．５１ １３．１０ １４．８０ SMPF[２０] GC＋occ[２１] １．１９ ２．０１ ６．２４ １．６４ ２．１９ ６．７５ １１．２０ １７．４０ １９．８０ ５．３６ １２．４０ １３．００ VSW (virtual supportwindow)[２２]１．６２ １．８８ ６．９８ ０．４７ ０．８１ ３．４０ ８．６７ １３．３０ １８．００ ３．３７ ８．８２ ８．１２ 　　表２中展示了 在 其 他 参 数 保 持 不 变 的 情 况 下, 误差阈值为０．５ 时 的 效 果 对 比. 可 见,所 提 算 法 依 然具有最低的平均匹配误差.同时,因为 Venus的 表２　阈值为０．５时的误匹配像素平均百分比 Table２　Averagepercentageofmismatchedpixelswiththresholdof０．５ Cones Tsukuba Venus Teddy Algorithm Proposed ASSW[１３] Noocc All Disc Noocc All Disc Noocc All Disc Noocc All Disc １３．７０ １４．００ １６．００ ７．０８ ７．４９ １１．５０ １２．３０ １８．５０ ２４．００ ８．９１ １４．９０ １５．１０ １１．９０ １２．５０ １７．００ ６．６６ ７．１１ １２．３０ １２．７０ １９．１０ ２６．６０ ９．０１ １４．５０ １６．３０ Adaptweight[１２] １８．１０ １８．８０ １８．６０ ７．７７ ８．４０ １５．８０ １７．６０ ２３．９０ ３４．００１４．００ １９．７０ ２０．６０ Variablecross[１９] ２４．５０ ２５．１０ ２１．５０ ９．０３ ９．５９ １３．８０ １８．８０ ２５．１０ ３１．４０１６．１０ ２２．１０ ２２．４０ １９．５０ ２０．１０ １６．６０ ８．９０ ９．５６ １５．１０ ２０．５０ ２５．９０ ３８．２０１３．９０ ２０．５０ ２６．２０ ６．１０ ７．１１ １４．６０１０．７０ １１．３０ １６．９０ ２３．７０ ３０．１０ ３４．６０１２．２０ １９．２０ ２１．９０ １９．２０ １９．５０ １８．５０ ８．１７ ８．６５ １３．２０ １７．４０ ２３．２０ ３１．４０１３．１０ １８．３０ ２０．４０ SMPF[２０] GC＋occ[２１] VSW[２２] 图片深度结构最平滑,该算法在 Noocc、All、Disc方 面均具有最好的 效 果.总 体 来 说,该 方 法 在 立 体 匹 配方面具有更高的匹配正确率和更好的保边效果. ％ ％ Averageerror ５．２４ ６．１６ ６．６７ ５．５５ ７．６０ ７．７３ ８．２６ ６．２９ Averageerror １３．６０ １３．８０ １８．１０ １９．９０ １９．６０ １７．４０ １７．６０ (All)和 深 度 不 连 续 区 域 误 匹 配 像 素 比(Disc). 通 过对比可知,所提算法能获得较高的匹配精度,平均 匹配误 差 低 于 很 多 局 部 算 法(如 AdaptWeight和 VariableCross),以及半全局算法(SemiGlob)和全 局算 法 [如 GC＋occ 和 SMPF(stereo matching basedonparticlefilters)]所提算法的整体匹配正确 率明显高于其他 几 种 算 法.需 要 特 别 指 出 的 是,部 分算法对Tsukuba图的匹配效果优于所提算法,这 是因为Tsukuba图的深度不连续性程度高,图片中 前景和背景变化快,相 对 于 所 提 的 局 部 立 体 匹 配 算 法,全局立体匹配算法的计算复杂度高,更能处理复 杂变化的区域,从而具有更好的匹配效果. 　　为了证明该方 法 的 优 越 性,除 比 较 匹 配 误 差 率 之外,将所提方法与其他类似方法的PSNR 进 行 对 比.PSNR 越大,证 明 算 法 所 得 视 差 图 越 接 近 于 真 实视差图.图５展示了所提算法与adaptivefilter[２３]、 costfilter[１８]和variablecross[１９]算法的PSNR 数据对 比.可以看出,所提方法的PSNR数据普遍优于其他 类似算法. 图６给出了所提方法与类似方法的运行时间对 比.所提方法的运算速度慢于variablecross方法, 但优于其他类似的立体匹配算法.所提方法的运算 速度较快,能够满足实际运用的要求. 图５ 所提算法与其他类似方法的PSNR 对比 Fig敭５ PSNRcomparisonofproposedalgorithm withothersimilarmethods ０３１１０３Ｇ６
    长Lmax的选取并 不 敏 感,４ 幅 图 片 的 匹 配 误 差 几 乎 不随最大臂长的大小而改变.当固定Lmax＝１６时, τ的值从０．０６变化到０．２８的结果如图７(b)所示,误 差率几乎保持不变. 改变Lmax或τ的 数 值 都 不 会 对４ 幅 图 的 误 差 率产生 显 著 影 响,证 明 了 所 提 算 法 的 稳 健 性. 由 于 Teddy和Cones图片具有复杂结构,并且视差范 围较广,在构建基 于 HSV 颜 色 空 间 的 自 适 应 聚 合 区域 时,易 受 到 快 速 变 化 的 视 差 的 影 响. 相 反, Venus和 Tsukuba图片的深度变化范围 较 小,因 此 构建自适 应 聚 合 区 域 时 产 生 的 错 误 更 少,平 均 误 匹配率 也 会 更 低. 从 图 中 可 以 看 出,误 差 率 从 低 到高分别是 Venus,Tsukuba,Cones和 Teddy,参 数 变化时误 差 变 化 不 大,说 明 所 提 方 法 具 有 很 好 的 稳健性. 图６ 所提算法与其他类似方法的运行时间对比 Fig敭６ Runningtimecomparisonofproposed algorithmandothersimilarmethods ３．２　后处理参数的稳健性仿真 图７ 中 展 示 了 所 提 算 法 参 数 的 稳 健 性 仿 真 结 果.图７(a)展示了τ＝０．１时,Lmax的值从９变化到 ２０的结果,由图可知所提算法对支撑窗口的最大臂 图７ 参数(a)Lmax和(b)τ的稳健性测试 Fig敭７ Robustnesstestsforparameters a Lmaxand b τ ４　结　　论 提出了一种基于 HSV 颜色空间的自适应聚合 区域的 局 部 匹 配 算 法,用 于 解 决 目 前 普 遍 出 现 的 RGB 颜色空 间 无 法 有 效 反 映 图 片 信 息 的 问 题. 所 提算法基于 HSV 颜 色 空 间 计 算 自 适 应 聚 合 区 域, 设置了支撑臂长的 最 小 范 围,有 效 避 免 了 图 片 信 息 剧烈变化的区域,提 高 了 立 体 匹 配 的 准 确 度.仿 真 结果表明,该算法的 匹 配 精 度 优 于 其 他 类 似 的 局 部 立体匹配方法,对物体边缘的处理效果较好,参数的 稳健性较好. 参 考 文 献 １ 　ScharsteinD SzeliskiR ZabihR敭Ataxonomyand evaluationofdensetwoＧframestereocorrespondence algorithms C 敭Stereoand MultiＧBaseline Vision ２００１ ７１８４５１０敭 ２ 　ChangX F Zhou Z Wang L etal敭RealＧtime accuratestereo matching using modifiedtwoＧpass aggregation and winnerＧtakeＧall guided dynamic programming C 敭InternationalConferenceon３D Imaging Modeling Processing Visualizationand Transmission ２０１１ １２１２２１０６敭 ３ 　PapadakisN CasellesV敭MultiＧlabeldepthestimation for graph cuts stereo problems J 敭Journal of MathematicalImaging& Vision ２０１０ ３８ １ ７０Ｇ８２敭 ４ 　LiJ QianW X ChenQ etal敭Anefficientstereo matchingmethodbasedonBayesiantheory J 敭Laser & OptoelectronicsProgress ２０１４ ５１ １０ １０１００１敭 　　　李娇 钱惟贤 陈钱 等敭一种基 于 贝 叶 斯 理 论 的 高 效立体 匹 配 方 法 J 敭激 光 与 光 电 子 学 进 展 ２０１４ ５１ １０ １０１００１敭 ５ 　BesseF RotherC Fitzgibbon A etal敭PMBP PatchMatchbeliefpropagationforcorrespondencefield estimation J 敭International Journal of Computer Vision ２０１４ １１０ １ ２Ｇ１３敭 ６ 　ZhuSP LiZ敭Astereomatchingalgorithmusing improvedgradientandadaptive window J 敭Acta OpticaSinica ２０１５ ３５ １ ０１１０００３敭 ０３１１０３Ｇ７
    　　　祝世平 李政敭基于改进梯度和自适应窗口的立体匹 配算法 J 敭光学学报 ２０１５ ３５ １ ０１１０００３敭 ７ 　LiuTL LuoLM敭HighefficiencyfeatureＧbasedand robustlocalstereo matchingalgorithm in medical optics J 敭Laser& OptoelectronicsProgress ２０１０ ４７ ５ ０５１５０１敭 　　　刘天亮 罗立民敭医用光学中基于局部特征的高效稳 健立体 匹 配 算 法 J 敭激 光 与 光 电 子 学 进 展 ２０１０ ４７ ５ ０５１５０１敭 ８ 　Hirschmuller H敭 Accurate and efficient stereo processing by semiＧglobal matching and mutual information C 敭IEEEComputerSocietyConference onComputerVision & PatternRecognition ２００５ ８６２４１１０敭 ９ 　ZhuSP YanLN LiZ敭Stereomatchingalgorithm basedonimprovedcensustransform anddynamic programming J 敭ActaOpticaSinica ２０１６ ３６ ４ ０４１５００１敭 　　　祝世平 闫 利 那 李 政敭基 于 改 进 Census变 换 和 动 态规划 的 立 体 匹 配 算 法 J 敭光 学 学 报 ２０１６ ３６ ４ ０４１５００１敭 １０ 　HuW D ZhangK SunLF etal敭Virtualsupport window foradaptiveＧweightstereo matching C 敭 VisualCommunicationsandImageProcessing ２０１１ １２４９３６９５敭 １１ 　Veksler O敭 Fast variable window for stereo correspondenceusingintegralimages C 敭IEEE ComputerSociety Conferenceon Computer Vision andPatternRecognition ２００３ ７７６９５８３敭 １２ 　Yoon K J Kweon I S敭 Adaptive supportＧweight approach for correspondence search J 敭 IEEE Transactions on Pattern Analysis & Machine Intelligence ２００６ ２８ ４ ６５０Ｇ６５６敭 １３ 　Gong W B Gu G H Qian W X etal敭Stereo matching algorithm based on the inter color correlationandadaptivesupportweight J 敭Chinese JournalofLasers ２０１４ ４１ ８ ０８１２００１敭 　　　龚文彪 顾国华 钱惟贤 等敭基 于 颜 色 内 相 关 和 自 适应支撑权重的立体匹配算法 J 敭中国激 光 ２０１４ ４１ ８ ０８１２００１敭 １４ 　HeK SunJ TangX敭Guidedimagefiltering J 敭 IEEETransactionsonPatternAnalysis & Machine Intelligence ２０１３ ３５ ６ １３９７Ｇ１４０９敭 １５ 　XuY F ZhaoY JiM Q敭Localstereo matching with adaptive shape support window based cost aggregation J 敭Applied Optics ２０１４ ５３ ２９ ６８８５Ｇ６８９２敭 １６ 　Chang T A Lu X Yang J F敭Robuststereo matchingwithtrinarycrosscolorcensusandtriple imageＧbased refinements J 敭 Eurasip Journal on AdvancesinSignalProcessing ２０１７ ２７敭 １７ 　MaZY HeK M WeiYC etal敭Constanttime weighted medianfilteringforstereo matchingand beyond C 敭 IEEE International Conference on ComputerVision ２０１４ １４１４４９１９敭 １８ 　HosniA RhemannC BleyerM etal敭FastcostＧ volumefilteringforvisualcorrespondenceandbeyond J 敭IEEE Transactionson Pattern Analysisand MachineIntelligence ２０１３ ３５ ２ ５０４Ｇ５１１敭 １９ 　ZhangK LuJB LafruitG敭CrossＧbasedlocalstereo matchingusingorthogonalintegralimages J 敭IEEE Transactions on Circuits & Systems for Video Technology ２００９ １９ ７ １０７３Ｇ１０７９敭 ２０ 　PloumpisS AmanatiadisA GasteratosA敭Astereo matching approach based on particle filters and scatteredcontrollandmarks J 敭Imageand Vision Computing ２０１５ ３８ １３Ｇ２３敭 ２１ 　Kolmogorov V Zabih R敭 Computing visual correspondencewithocclusionsusinggraphcuts C 敭 EighthIEEEInternationalConferenceonComputer Vision ２００１ ７０２４３２０敭 ２２ 　HuW D ZhangK SunLF etal敭Virtualsupport window foradaptiveＧweightstereo matching C 敭 VisualCommunicationsandImageProcessing ２０１１ １２４９３６９５敭 ２３ 　ZhuSP YanLN敭Localstereomatchingalgorithm with efficient matching costand adaptive guided imagefilter J 敭TheVisualComputer ２０１７ ３３ ９ １０８７Ｇ１１２２敭 ０３１１０３Ｇ８
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料