基本矩阵的估计和图像矫正.doc

0 引 言 F矩阵描述的是从不同拍摄点拍摄同一场景的图像时两图中点的对应关系，它还提供有关位置和摄像机参数的信息。 计算F矩阵最常用的是八点算法。要得到至少八个对应的图像点对。在这种算法下，我们可以很容易的使用线性方法来估计矩阵。但是八点算法对额外噪声十分敏感。为了克服这一缺点。哈特利（《计算机视觉中的多视图几何》的作者）引入一个坐标使图像标准化归一化。但是这种线性方法有一个缺点，那就是排除了秩等于2的约束。为了强加约束，这个F矩阵是利用奇异值分解重建获得的。这就造成了另一个问题：这个重建的过程会产生额外的噪声。 为了减少噪声，哈特利又应用非线性优化设置七个变化参量来满足秩等于2的约束。关于那七个变量参数有很多相关的方法，我提出用一个标量的双四元数来描述矩阵。这些参数代表对一个图像缩放和旋转。也就是说，我们对原图像进行了旋转。通过使用这些旋转，我们创造了一个新的图像矫正方法。 对于立体匹配来说，图像矫正是不可或缺的部分。它把任务由二维搜索变为一维搜索，减轻了任务量。流行的矫正方法大致可以分为两类：平面法和极性法。 平面矫正法是对图像进行透视变换，这是容易理解且易于实现。然而，这种方法不能处理那些极点位于图像内部的图像对。极点矫正法能够处理这种情况，但他们需要根据极点的位置进行一些繁琐的预处理。 F矩阵最麻烦的地方在于它的秩等于2，没有逆矩阵。为了计算F矩阵，人们提出了