图像匹配中NCC算法的一种快速实现方法.doc

图像匹配中 NCC 算法的一种快速实现方法 黄真宝，陈 阳 （东南大学信息科学与工程学院，江苏南京，210096） 摘 要：在计算机视觉领域，图像匹配是常见的任务，基于灰度的点的匹配是常见的方法。其中 又以抗噪能力强、匹配精度高的归一化互相关（NCC）算法最为常用。然而 NCC 算法计算量较大，常 常难以满足实时处理的要求。通过引入合适的全 1 矩阵，让其和原图像的数据做卷积，大幅度地降低 了NCC的计算量，提高了效率，仿真实验结果也证明了本文方法的有效性。 关键词：图像匹配；归一化互相关；快速算法；卷积 中图分类号：TP751 引 言 0 耗不少的时间。 本文通过引入合适尺寸的全 1 矩阵来直接和图像 的某些数据做卷积，可一次性地获得当前视差值下的 所有感兴趣位置的互相关值，对所有可能的视差情况 均做一遍同样的卷积过程即可得所有可能的视差值 下的互相关值。各个位置处互相关值取最大时所对 应的视差值即为该位置处对应的所求视差，这样视差 图就很方便地获得了。可见，从理论上讲本文方法可 极大地提高 NCC 匹配的速度，实验结果也确实证实了 这一点。 人之所以有立体视觉的一个主要原因是人有两 只眼睛，通过两只眼睛观察到的景物影像略有差别， 在大脑中就可以据此合成出具有纵深感的立体影 像。近年来，电视技术正迅速地由高清向立体发展， 三维立体建模在计算机视觉中的重要性也日益突出， 这其中双目立体视觉的图像匹配[1] 是一个常见的任 务。所谓双目立体视觉的图像匹配，就是从两台如人 眼一样摆放的摄像机获取的两幅图像中分别找出相 同景物的各像素点的位置并建立对应关系。由图像 匹配的结果可得视差图[2]，它是深度信息获取和三维 重建的前期步骤[3]。本文以右图（右摄像机拍摄的图 片）为基准进行匹配，则视差[4]为 d 的互相匹配的点在 左图（左摄像机拍摄的图片）和右图的坐标可分别表 示为 IL( x, y + d ) 和 IR ( x, y) 。 图像匹配中常采用 NCC（Normalized cross correla? tion,归一化互相关）算法[5]，其思想是计算对应右图上 的指定点，左图上搜索范围内各个点和该点的相关程 度。如果对整幅图进行匹配的话，以尺寸为 450 像素× 375 像素的测试图片[6]为例，视差范围为[0，59]，即使选 取 7×7 的较小矩形支撑区域，相关运算的计算量依然 巨大。因此，必须设法降低计算复杂度。孙卜郊等人 [7] 采用了卷积的思想来加速运算过程，但是其需要先 对其中一幅图像做逆序运算，这本身也需消耗一定的 时间。Ke Zhang 等人[8]为加快运算提出了构造整数图 像的思想，并采用了优化的策略来构造所需的整数图 像，尽管如此，构造两幅图像各自的整数图像仍需消 匹配算法介绍 图像匹配的方法很多[9]，其中基于灰度的点的匹 配最直接而又常用[9]。常见的匹配相似性度量函数有 SAD（Sum of Absolute Differences，差绝对值和）、SSD 1 （Sum of squared differences，差平方和）和 NCC 三种[5]。 其中 SAD 和 SSD 算法都是搜索使相似性度量函数取 最小值时对应的 d ，而 NCC 算法则是搜索使相似性度 量函数取最大值时对应的 d 。 在图像匹配中，有搜索窗和模板窗的概念[10]。搜 索窗体现的是对应右图上的待匹配点事先在左图设 定一个搜索范围，只有这个范围内的点才可能是正确 的匹配点。本文中选用国际通用测试图片[6]，其已经 过极线校正[11]，因此搜索范围可限制在同一行。假设 d 的可能范围为 [dispMin, dispMax]（dispMin 一般取 为 0，以下讨论中默认其为 0），则搜索窗的尺寸为 1*(dispMax + 1) 。模板窗体现的是在相似性度量时 选择的支撑区域，文中选择尺寸为 (2n + 1)* (2m + 1) 的矩形窗。 常见的 NCC 相似性度量函数有两种，分别如表达 收稿日期：2011-03-03。 基金项目：国家自然科学基金项目。 式（1）和表达式（2）所示[7,12]。 n m ∑ IR ( x + i, y + j)IL( x + i, y + d + j) ∑ i = -n j = -m NCC ( x, y, d ) = （1） n m n m ∑ ∑ I 2 ( x + i, y + j) ∑ ∑ I 2( x + i, y + d + j) R L i = -n j = -m i = -n j = -m - -- --- - --- ----- n m ∑ ∑ é ?IR ( x + i, y + j) - IR ( x, y)? ?IL( x + i, y +