基于区域相关性的立体匹配.PPT

* 目前评测网站上的前7种算法都是基于分割区域的算法 * 由于GC和BP等优化算法都是基于“贴标签（labelling）”的优化算法，为了限制最终优化时的标签数，这些算法在优化前通常需要在视差平面参数空间中对区域进行聚类分层以减少最终优化时的标签数。但这样做会使得算法的通用性降低，而且最终优化时被用来作为标签的视差平面参数是不变化的，如果最终优化前视差平面参数估计不准确，在优化过程中不能被修正。 * 由结果可以看出，如果空域和色彩域带宽太大，会使部分不同视差区域被误分到同一区域，造成匹配失败。但如果空域和色彩域带宽太小，也会使部分区域及其邻域包含信息量过小，造成匹配困难。因此选择合适的分割带宽对匹配质量的好坏有一定影响 * 采用上述算法，可以有效地去除离群数据的影响，使结果具有鲁棒性 * 协同优化结果使每一变量在相关的每一子目标函数中的取值取得一致 * 协同优化结果使每一变量在相关的每一子目标函数中的取值取得一致 * 协同优化结果使每一变量在相关的每一子目标函数中的取值取得一致 * 其中，Vl和Vr分别表示当前区域在左右图像上的可见像素集，pVl、qVr为左右图像上相匹配的两个对应像素，r、g、b表示相应像素的RGB颜色值。各像素的RGB颜色值如下得到：根据所估计的当前区域的视差平面参数计算与参考图像（本文选为左图像，下同）上的像素p对应的被匹配图像（本文选为右图像，下同）上的像素q，并获取其RGB颜色值。由于计算得到的视差是浮点型的，所以像素q一般并不正好处于整数像素位置上，故其RGB颜色值一般不能直接从图像中获得。在本文的算法中，其值由被匹配图像上q的四个近邻像素的RGB颜色值经过插值得到。计算数据能量时考虑了可视性准则[41]，即要求用来计算数据能量的像素在左右图像对中都是可见的。 * 其中，Vl和Vr分别表示当前区域在左右图像上的可见像素集，pVl、qVr为左右图像上相匹配的两个对应像素，r、g、b表示相应像素的RGB颜色值。各像素的RGB颜色值如下得到：根据所估计的当前区域的视差平面参数计算与参考图像（本文选为左图像，下同）上的像素p对应的被匹配图像（本文选为右图像，下同）上的像素q，并获取其RGB颜色值。由于计算得到的视差是浮点型的，所以像素q一般并不正好处于整数像素位置上，故其RGB颜色值一般不能直接从图像中获得。在本文的算法中，其值由被匹配图像上q的四个近邻像素的RGB颜色值经过插值得到。计算数据能量时考虑了可视性准则[41]，即要求用来计算数据能量的像素在左右图像对中都是可见的。 * 其中，Vl和Vr分别表示当前区域在左右图像上的可见像素集，pVl、qVr为左右图像上相匹配的两个对应像素，r、g、b表示相应像素的RGB颜色值。各像素的RGB颜色值如下得到：根据所估计的当前区域的视差平面参数计算与参考图像（本文选为左图像，下同）上的像素p对应的被匹配图像（本文选为右图像，下同）上的像素q，并获取其RGB颜色值。由于计算得到的视差是浮点型的，所以像素q一般并不正好处于整数像素位置上，故其RGB颜色值一般不能直接从图像中获得。在本文的算法中，其值由被匹配图像上q的四个近邻像素的RGB颜色值经过插值得到。计算数据能量时考虑了可视性准则[41]，即要求用来计算数据能量的像素在左右图像对中都是可见的。 * 首先根据当前的视差计算结果将左图像上相关的各区域映射到右图像，然后在右图像上检查映射情况；如果某个像素被重复映射，则将该像素记为左遮挡；如果某个像素未被映射，则将该像素记为右遮挡。Occl和occr分别表示左遮挡和右遮挡像素的个数，而remda表示所设置的遮挡惩罚常量 * 首先根据当前的视差计算结果将左图像上相关的各区域映射到右图像，然后在右图像上检查映射情况；如果某个像素被重复映射，则将该像素记为左遮挡；如果某个像素未被映射，则将该像素记为右遮挡。Occl和occr分别表示左遮挡和右遮挡像素的个数，而remda表示所设置的遮挡惩罚常量 鲁棒的视差平面拟合算法 RANSAC 随机地从数据集S中选择s个数据点组成一个样本作为模型的一个例示 确定在模型距离阈值t内的数据点集为一致集 经过N次试验，选择最大一致集，并用的所有点重估模型 经过RANSAC平面拟合后的视差图 基于投票的鲁棒视差平面拟合算法 通过对同一行的一对点计算 ，可以得到平面参数a的一个估计 将所有同一行的估计值在一维的a参数空间进行投票，并对投票结果进行高斯平滑后从中选出得票最多的值作为参数a的最终估计 对同一列的点通过计算　 ，可以得到参数b的估计 由上式可算出c，采用类似的投票方法可确定参数c RANSAC方法和投票方法平面拟合结果的比较。其中，红色横线表示投票方法的拟合错误率，蓝色折线表示RA