汕头大学 工学院 机械工程系, 广东 汕头 515063
视差不连续区域和重复纹理区域的误匹配率高一直是影响双目立体匹配测量精度的主要问题，为此，本文提出一种基于多特征融合的立体匹配算法。首先，在代价计算阶段，通过高斯加权法赋予邻域像素点的权值，从而优化绝对差之和（Sum of Absolute Differences，SAD）算法的计算精度。接着，基于Census变换改进二进制链码方式，将邻域内像素的平均灰度值与梯度图像的灰度均值相融合，进而建立左右图像对应点的判断依据并优化其编码长度。然后，构建基于十字交叉法与改进的引导滤波器相融合的聚合方法，从而实现视差值再分配，以降低误匹配率。最后，通过赢家通吃（Winner Take All，WTA）算法获取初始视差，并采用左右一致性检测方法及亚像素法提高匹配精度，从而获取最终的视差结果。实验结果表明，在Middlebury数据集的测试中，所提SAD-Census算法的平均非遮挡区域和全部区域的误匹配率为分别为2.67%和5.69%，测量200~900 mm距离的平均误差小于2%；而实际三维测量的最大误差为1.5%。实验结果检验了所提算法的有效性和可靠性。
机器视觉 立体匹配 SAD-Census变换 十字交叉法 引导滤波 machine vision stereo matching SAD-Census transform cross method guided filtering
上海电力大学能源与机械工程学院，上海 200090
尽管传统的立体匹配模型在精度和鲁棒性方面都表现出了良好的性能，但在弱纹理和深度不连续区域的视差精度问题依然存在。针对上述问题，提出了一种基于改进匹配代价和均值分割的最小生成树立体匹配算法。首先，在匹配代价计算阶段，通过Census变换进行初始匹配代价计算，利用Sobel算子对输入图像进行边缘信息提取，将提取后的图像边缘信息与Census变换后的匹配代价值进行融合，并将其与基于图像亮度信息的代价值进行非线性融合，以提高匹配代价的精度；然后，使用最小生成树代价聚合模型进行聚合操作并利用赢者通吃策略估计图像的初始视差；最后，在视差优化阶段，采用MeanShift算法对图像进行分割，结合图像的轮廓信息对误匹配点进行修正，进一步提高在弱纹理及边缘区域的视差精度。实验结果表明，与一些传统算法相比，所提算法具有更高的视差精度，且视差图的边缘、纹理较其他算法更为平滑，具有更强的鲁棒性。
机器视觉 立体匹配 Sobel算子 Census变换 最小生成树 激光与光电子学进展
2023, 60(4): 0415002
为了改善图像边缘处匹配结果较模糊的问题，提出一种融合边缘特征的自适应滤波立体匹配算法。在代价计算中，通过在Census变换中引入图像邻域像素信息和图像边缘特征，并结合梯度变换算法的优点，提出一种融合多特征的代价计算方法。为改善聚合后的效果，引入了边缘权重因子，通过设置一个自适应边缘权重来改进引导滤波，最后通过优化处理得到最终的视差图。在Middlebury测试集上对所提算法与其他算法进行实验对比，结果表明，所提算法在边缘处的匹配效果明显提升，且具有较强的抗噪性能。
机器视觉 立体匹配 边缘权重 引导滤波 Census变换 激光与光电子学进展
2022, 59(8): 0815010
1 南京理工大学自动化学院，江苏 南京 210094
2 中建八局第三建设有限公司，江苏 南京 210023
立体匹配是三维重建技术中的关键步骤，针对局部立体匹配算法在弱纹理区域、深度不连续区域匹配效果差，且容易受到噪声干扰的问题，提出了一种基于多特征融合的局部立体匹配算法。对传统的Census变换进行改进，使其对噪声具有更强的鲁棒性，并将其与颜色特征、梯度特征相融合进行代价计算；采用多尺度下的引导滤波算法进行代价聚合，并通过视差计算与优化得到视差图。在Middlebury数据集上的实验结果表明，所提算法抗噪能力强，且与当前较为优秀的局部立体匹配算法相比，匹配精度有了进一步提升。
图像处理 立体匹配 Census变换 多特征融合 引导滤波 激光与光电子学进展
2022, 59(8): 0810011
江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
针对传统Census变换的立体匹配算法在弱纹理区域匹配精度低,易受到噪声点的影响,以及提高Census算法的实时性,提出一种改进的Census变换和自适应窗口的立体匹配算法。在代价计算阶段,首先根据区域纹理的强弱来自适应匹配窗口大小,采用三种状态信息进行Census变换计算初始代价,提高单像素的匹配精度和降低消耗时间。然后在代价聚合阶段,采用时间复杂度较低的引导滤波解决单像素匹配代价鉴别性低所带来的精度低的问题。最后使用左右一致性检测原则减少异常点,得到最终的视差图。利用Middlebury平台标准图像对所提算法进行测试,实验结果表明,平均误匹配率为5.51%,匹配精度得到了一定的提高,平均花费时间相对于传统的Census算法缩短36.60%,提高了算法的实时性。
机器视觉 双目视觉 立体匹配 Census变换 引导滤波 视差图 激光与光电子学进展
2021, 58(12): 1215003
福州大学 微纳器件与太阳能电池研究所, 福州 350108
针对传统Census变换在匹配代价计算中易受噪声影响、匹配精度较低的问题, 提出一种引入噪声容限的四状态Census变换算法。在匹配代价计算中, 首先将改进的Census匹配代价与灰度绝对差值和梯度代价进行融合, 并加入相应的截断阈值, 以提高初始匹配代价空间的可靠性。然后通过引导图滤波进行代价聚合, 并采用赢家通吃策略计算初始视差值。最后通过左右一致性检验、视差填充和加权中值滤波来优化初始视差值, 得到最终视差图。实验结果表明, 所提算法的噪声鲁棒性优于传统Census变换算法, 且立体匹配算法的整体误匹配率降低至5.59%。
立体匹配 Census变换 抗噪 代价融合 代价空间 stereo matching Census transform anti-noise cost fusion cost volume
重庆邮电大学先进制造工程学院, 重庆 400065
双目立体匹配根据视差原理将平面视觉转化到三维立体视觉,是三维重建的核心步骤之一。针对局部立体匹配算法在深度不连续、弱纹理区域匹配精度低且易受光照、噪声等因素干扰的问题,提出了一种改进的立体匹配算法。首先,在代价计算阶段将改进的Census代价与梯度代价进行融合,并采用引导滤波算法对图像进行多尺度代价聚合;然后,采用赢家通吃算法计算初始视差;最后,采用左右一致性检测、中值滤波进行视差后处理,得到最终的视差图。实验结果表明,本算法在Middlebury2.0测试平台上的平均误匹配率为5.11%,且具有很好的稳健性和实用性。
机器视觉 三维重建 引导滤波 多尺度代价聚合 Census变换 梯度变换 激光与光电子学进展
2021, 58(2): 0215008
立体匹配算法在图像弱纹理区和重复纹理区存在匹配困难、误差大的问题,为此提出一种基于改进代价计算和视差候选策略的立体匹配算法。首先结合改进的Census变换和自适应加权融合的双向梯度信息来计算初始匹配代价,提高代价计算的可靠性。其中:为传统Census变换增加内圈编码,提高邻域信息利用率,同时降低噪声的影响;利用自适应权重函数融合横向和纵向梯度代价,降低物体边缘区域的误匹配率。其次,采用自适应十字交叉窗口进行代价聚合,并通过建立候选视差集和引入邻域视差信息的方法来获取初始视差。最后通过两轮插值策略优化视差。实验结果表明,所提算法能够提高弱纹理区和重复纹理区的匹配效果,在Middlebury中4幅标准立体图像对的平均误匹配率为5.33%。
机器视觉 立体匹配 代价计算 视差计算 Census变换 梯度 激光与光电子学进展
2021, 58(2): 0215001
