本发明涉及立体视觉技术、图像处理技术和摄影原理，是一种基于外极线距离变换的树型滤波立体匹配方法。
背景技术：
：立体匹配是立体视觉中一个十分重要的部分。立体匹配的关键就是找出不同图像中的对应点，获得二维图像中的深度信息。凡是在需要三维重建的场景中，都需要首先进行立体匹配。立体匹配在医疗，航空，军事等多个方面都有重要的应用。立体匹配方法的核心问题是代价聚合。近年来，许多新式的立体匹配方法被提出。这些方法可以分为在匹配窗口方面的改进和匹配权值的改进。树型滤波方法就是应用了数据结构的知识，将整幅图像作为一个图结构，在图结构中构造最小生成树结构，然后按照树结构的流向进行聚合，这种聚合方法只有周边的节点参与聚合，但是利用视差传感技术，将整幅图像都变成匹配窗口，速度很快，精度也很高。但是这种方法由于采用树结构，在分配匹配权值的时候，只和相邻接的节点连接，失去了距离信息，所以在某些特殊区域的匹配权值分配错误，影响最终结果。总的来说，窗口和权值是立体匹配方法的重点，选择合适的窗口和分配正确的权值，对于匹配结果有着至关重要的影响。技术实现要素：本发明针对现有树结构立体匹配方法权值分配方法的不足，引入外极线距离变换，构造新的树结构，重新分配权值，弥补原始算法只有单一元素参与权值计算的问题。本发明主要由以下几个步骤构成：1、计算输入图像初始代价矩阵2、获取颜色分割图像3、获取外极线距离变换图像4、构造生成树结构5、树型滤波6、视差初始及后处理。本发明方法的具体步骤是：步骤(1)、计算输入图像初始代价矩阵。具体是针对每一个像素点p的每一个视差距离d，通过计算其于对应图像中的点p'颜色信息的代价值和梯度信息的代价值获得初始代价C(p,d)，具体公式如下：C(p,d)＝ρ·Ccolor(p,d)+(1-ρ)·Cgrad(p,d)其中ρ是一个预定义的参数，用于调节颜色代价和梯度代价的占比。Ccolor(p,d)和Cgrad(p,d)分别是颜色信息的代价值与梯度信息上的代价值。得到对应点在对应视差距离上的代价值后，存入初始代价矩阵。步骤(2)、获取颜色分割图像。本发明方法采用一种新式的图像分割方法，即在预构建生成树的过程中，加入一个分割约束，公式如下：we≤min<((max(wTp)+τ/|Tp|),(max(wTq)+τ/|Tq|))]]>其中，we是待处理的边的权重。表示含p节点的子树的边集，表示包含q节点的子树的边集合，τ是一个预定义的值，用于平衡每个区域的大小，|Tp|与|Tq|是子树的大小。将整幅图像分割成多个子树结构，然后为每个子树结构随机分配一个颜色，即获得颜色分割图像。步骤(3)、获取外极线距离变换图像。颜色分割图像的每一个分割基本符合图像外极线的分布情况。所以，利用颜色分割图像可以简单的获得外极线距离变换图像。像素点p的外极线距离DEDT(p)的计算公式如下：DEDT(p)=|Ol(p)-p|Dl(p)]]>其中，Dl(p)是像素点p所在的极线的长度，Ol(p)是p所在的极线的起点位置，|Ol(p)-p|即p到极线起点的距离。在得到像素点的外极线距离后，将一个对应的灰度值赋予对应的像素点。步骤(4)、构造生成树结构。本发明方法利用生成树结构模拟图像的结构，将图像视作一幅图G＝(V,E)，V是图像的点集，即像素点，E则是图的边集，边的权值即图像中相邻像素点之间的关系。首先将边集按照升序排序，权值最小的边即对应的两个相邻节点最相近，然后从权值小的边开始连接节点，直到所有的节点都完成连接，最小生成树的构建完成。本发明方法利用原图和外极线距离变换图像共同构造生成树，计算边的权值。步骤(5)、树型滤波聚合。树型滤波聚合是按照生成树结构流向执行的滤波算法，即滤波从根节点一直向叶子节点进行，然后再从叶子节点返回根节点。经过这样的两次滤波，每个节点只和相邻节点直接聚合，但是实际上利用视差传感技术，节点的支持窗口却是整幅图像。步骤(6)、视差初始及后处理。视差初始是利用WTA(winnertakeall)方法，从经过聚合的代价矩阵中筛选出每个像素点p代价值最低的最佳视差d，具体公式如下：Dinit(p)=argmind∈disprangeC(p,d)]]>其中Dinit(p)即像素点p的初始视差值。disprange是视差值d的取值范围。在获得初始视差结果之后，再根据左右一致性检测筛选出视差图中的遮挡点以及误匹配点，将这些点的代价值清零，然后引入全新的代价，进行新一轮的代价聚合，获得最新的视差。新的代价公式如下：C(p,d)=|d-Dinit(p)|0,else]]>获得新的代价矩阵之后，再一次执行树型滤波及WTA，获得改进后的稠密视差图，从而完成立体匹配。本发明的有益效果是：(1)、本发明方法系统速度快，树型滤波算法是一种快速的立体匹配方法，相比于一些复杂的方法优势明显；(2)、本发明方法引入了外极线距离变换图像用于构造生成树结构，弥补了树结构方法只有颜色信息计算权值的缺点；(3)、本发明方法可以用于无人车导航等方面的实用，相比于现有的一些简单的算法，精度更高，导航结果更加准确。附图说明图1示出本发明方法的流程图；图2示出本发明的颜色分割图像结果示例；图3示出本发明的外极线距离变换图像示例；图4示出本发明方法树结构示意图；图5示出树型滤波示意图。具体实施方式以下结合附图对本发明作进一步说明。如图1所示，一种基于外极线距离变换的树型滤波立体匹配方法具体步骤是：步骤(1)、计算输入图像初始代价矩阵。具体是针对每一个像素点p的每一个视差距离d，通过计算其于对应图像中的点p'颜色信息的代价值和梯度信息的代价值获得初始代价，具体公式如下：C(p,d)＝ρ·Ccolor(p,d)+(1-ρ)·Cgrad(p,d)其中ρ是一个预定义的参数，用于调节颜色代价和梯度代价的占比。Ccolor(p,d)和Cgrad(p,d)分别是颜色信息的代价值与梯度信息上的代价值。得到对应点在对应视差距离上的代价值后，存入初始代价矩阵。步骤(2)、获取颜色分割图像。本发明方法采用一种新式的图像分割方法，即在预构建生成树的过程中，加入一个分割约束，公式如下：we≤min<((max(wTp)+τ/|Tp|),(max(wTq)+τ/|Tq|))]]>其中，we是待处理的边的权重。表示含p节点的子树的边集，表示包含q节点的子树的边集合，τ是一个预定义的值，用于平衡每个区域的大小，|Tp|与|Tq|是子树的大小。将整幅图像分割成多个子树结构，然后为每个子树结构随机分配一个颜色，即获得颜色分割图像。颜色分割示例图像如图2所示。步骤(3)、获取外极线距离变换图像。颜色分割图像的每一个分割基本符合图像外极线的分布情况。所以，利用颜色分割图像可以简单的获得外极线距离变换图像。像素点p的外极线距离DEDT(p)的计算公式如下：DEDT(p)=|Ol(p)-p|Dl(p)]]>其中，Dl(p)是像素点p所在的极线的长度，Ol(p)是p所在的极线的起点位置，|Ol(p)-p|即p到极线起点的距离。在得到像素点的外极线距离后，将一个对应的灰度值赋予对应的像素点。外极线距离变换图像的示例图像如图3所示。步骤(4)、构造生成树结构。本发明方法利用生成树结构模拟图像的结构，将图像视作一幅图G＝(V,E)，V是图像的点集，即像素点，E则是图的边集，边的权值即图像中相邻像素点之间的关系。首先将边集按照升序排序，权值最小的边即对应的两个相邻节点最相近，然后从权值小的边开始连接节点，直到所有的节点都完成连接，最小生成树的构建完成。本发明方法利用原图和外极线距离变换图像共同构造生成树，计算边的权值。生成树的结构图如图4所示，图G＝(V,E)中的任一点到另一点之间有且仅有一条路径，且这条路径的权值最小。步骤(5)、树型滤波聚合方法。树型滤波聚合方法是按照生成树结构流向执行的滤波算法。树型滤波如图5所示，滤波分为从根节点到叶子节点与从叶子节点到根节点两种。从根节点到叶子节点的滤波中，代价值从根向下传播；从叶子节点到根节点的滤波中，代价值从叶子节点方向向上传播。生成树结构上的每个节点只和相邻节点直接聚合，但是利用视差传感技术，经过两次滤波之后，节点的支持窗口却是整幅图像，即每一个像素都对图像上的任一像素的代价值做出贡献。步骤(6)、视差初始及后处理。视差初始是利用WTA(winnertakeall)方法，从经过聚合的代价矩阵中筛选出每个像素点p代价值最低的最佳视差d，具体公式如下：Dinit(p)=argmind∈disprangeC(p,d)]]>其中Dinit(p)即像素点p的初始视差值。disprange是视差值d的取值范围。在获得初始视差结果之后，我们再根据左右一致性检测筛选出视差图中的遮挡点以及误匹配点，将这些点的代价值清零，然后引入全新的代价，进行新一轮的代价聚合，获得最新的视差。新的代价公式如下：C(p,d)=|d-Dinit(p)|0,else]]>获得新的代价矩阵之后，再一次执行树型滤波及WTA，获得改进后的稠密视差图，从而完成立体匹配。当前第1页1 2 3