[发明专利]一种基于树形神经网络结构的视差获取方法、存储介质及计算设备

说明书

本发明公开了一种基于树形神经网络结构的视差获取方法、存储介质及计算设备，包括，通过傅里叶变换对图像进行去噪预处理，然后利用树形深度神经网络提取不同分辨率的图像特征，进而将左右图的不同分辨率的特征图通过分级代价聚合网络获取视差图。相比与其它方法，这种方法可以解决图像中反光表面与遮挡区域对视差获取结果的影响。

技术领域

本发明涉及图像处理领域，具体涉及一种基于树形神经网络结构的视差获取方法、存储介质及计算设备。

背景技术

随着社会的科技进步，立体匹配技术的发展日新月异，传统的匹配方法获取视差图的效果与速度无法满足现在高性能与准确度的要求。而深度学习的发展，给立体匹配带来了新的解决方案。基于深度学习的算法很适合用于立体匹配技术。

目前，大部分立体匹配算法对于反光区域及遮挡区域的处理效果并不好，反光区域会使最后的视差结果与实际有较大的差别，而遮挡区域的像素点由于只出现在一张图片中，在另一图片没有出现，因此视差计算较为困难。从图像处理角度看，反光表面可与其它噪音视为图像噪音，利用图像预处理去噪。而从算法与人的视觉类比角度看，遮挡区域则必须充分利用遮挡区域附近的图像信息来计算遮挡像素点的视差值。

发明内容

为了解决现有技术中反光表面与遮挡区域对视差获取的影响，本发明第一个目的提出一种基于树形神经网络结构的视差获取方法，相比于现有的方法更具有准确性和鲁棒性。

本发明的第二个目的是提供一种存储介质。

本发明的第三个目的是提供一种计算设备。

本发明第一个目的采用如下技术方案：

一种基于树形神经网络结构的视差获取方法，包括如下步骤：

S1图像预处理，具体为：分别对左图L及右图R进行傅里叶变换，对图像进行滤波，再做逆变换，得到两张图像L_p与R_p；

S2通过树形神经网络提取图像特征，左图L_p和右图R_p分别得到八个不同分辨率的特征图F₀,F₁,F₂,F₃,F₄,F₅,F₆,F₇；

S3将得到的八个不同分辨率特征图作为输入通过分级代价聚合网络，最后得到精细化后的最终视差图；

S4每个像素选择最小代价值对应的视差最为该像素的视差，得到视差图D。

所述树形神经网络类似数据结构中的二叉树，除了末节点每个节点都有两个子节点。

所述两个子节点分别为左子节点及右子节点，左子节点卷积核为3*3，步长为1，右子节点卷积核为5*5，步长为2，通过3层树结构，最后得到2³＝8个不同分辨率的特征图，最终得到8个不同分辨率的特征图：F₀,F₁,F₂,F₃,F₄,F₅,F₆,F₇,从F₀到F₇分辨率由大到小。

所述S3将得到的八个不同分辨率特征图作为输入通过分级代价聚合网络，最后得到精细化后的最终视差图，具体为：