[发明专利]一种NCC和Census的最小生成树航拍图像双目立体匹配方法

说明书

本发明公开了一种NCC和Census的最小生成树航拍图像双目立体匹配方法，该方法首先对原图像使用Sobel算子进行边缘检测，再对边缘图像进行Census变换得到匹配代价值，然后和原图像直接进行NCC变换的匹配代价进行非线性融合，得到最终的匹配代价；使用最小生成树算法进行代价聚合；使用胜者为王策略获取初始视差图。通过左右一致性方法进行视差优化得到最终的视差图。本发明可以提高重复纹理区域、弱纹理区域的匹配效果，提高了算法的精度。

技术领域

本发明涉及计算机视觉和图像处理技术领域，特别涉及一种Census和NCC的组合匹配代价算法。

背景技术

立体视觉匹配技术是计算机视觉领域里最重要的研究方向之一，立体视觉匹配的主要目标是从两个或多个同一场景的图像中找到对应点，进而生成参考图像视差图。基于立体匹配生成的视差图，结合空间几何关系转换就可以生成用于三维重建的深度图。而立体匹配的精度直接决定了三维重建的效果。

Scharstein和Szel iski研究了一些典型的立体匹配算法，依据视差最优化计算方法的差异，可将立体匹配算法分为两类:基于求解全局能量函数最优化问题的全局立体匹配算法及局部立体匹配算法。全局立体匹配算法通过最小化全局能量函数得到最优估计视差值，全局算法得到的视差图错误率低，但是时间复杂度非常高，不适合实时应用系统。局部立体匹配算法计算过程较为简单，时间复杂度低，但是因为局部立体匹配中不具备平滑函数，因此在遮挡区域，边缘深度不连续区域，弱纹理和无纹理区域都会造成误匹配问题。

局部算法常使用固定窗口、自适应窗口和自适应权重计算聚合值，然而,选择一个合适的聚合窗口并不容易,其大小直接影响匹配精度。较大的窗口能包含更多像素变化信息,得到更可靠的匹配关系,但在图像边缘区域易产生误匹配；较小的窗口能减小深度不连续区域像素点的误匹配率,但在低纹理区域，易陷入局部最优而产生误匹配。Q.Yang 提出了一种具有全局特点的算法：最小生出树算法来进行代价聚合。该方法将图像视为一个无向图，将像素点作为节点构建最小树。这种算法不仅能够独立处理像素点的匹配关系，同时也能将像素的支持区域扩展到整个图像，使得每个像素点获得其他像素点的支撑，得到更为丰富的匹配信息

发明内容

有鉴于此，本发明的目的是提供一种基于NCC和Census的最小生成树的航拍图像双目立体匹配方法，能够提高匹配的准确度。

本发明的目的是通过以下技术方案实现的：

一种NCC和Census的最小生成树航拍图像双目立体匹配方法，包括以下步骤：

步骤S1：计算NCC和Census的匹配代价值：使用Sobel算子对航拍双目图像进行边缘检测获取2张边缘图，然后再进行Census变换，再对原图像进行NCC变换；最后，将这2个的匹配代价进行非线性融合最终的匹配代价；

步骤S2：计算代价聚合值：把图像中的每个像素值当做一个节点，上下左右相连，获得一个四连通无向图，根据权重值构建最小生成树，权重值是相邻像素点之间的灰度差，然后沿着最小生成树的路径对步骤(2)获得的每一个像素点的匹配代价值进行代价聚合；

步骤S3：计算初始视差图：使用“胜者为王”算法获得初始视差图，这个算法是在视差范围内通过选择最小的聚合后的匹配代价值所对应的视差值做为最终视差值，获得初始视差图；

步骤S4：视差细化：使用左右一致性方法对初始视差图进行视差优化。

进一步，步骤S1的具体步骤如下：

Census变换是一种非参数变换，它是将像素p和以它为中心的窗口映射为一个比特流，用该比特流作为中心像素点的Census变换码。传统的Census变换映射关系如(1) 式所示：

式中：I(p)、I(q)表示像素点p、q的值。Census变换中对应像素点的比特流由上式得到，其定义如下：