每个同心圆环上按45°等角度 间隔提取8个米样点，8个米样点对应每个方向上的梯度值为方向梯度；同一半径上的米样 点具有相同的高斯尺度值，不同半径上的取样点高斯尺度值不同。
[0025] 逐像素构造DAISY特征描述符方法如下：
[0026] 首先，计算图像在每个像素位置的8个方向梯度；
[0027] 然后，高斯核卷积得到采样点的向量，采样点的向量如公式（1)所示，
[0029] 式（1)中，u表示中心像素点的横坐标值，v中心像素点的纵坐标值，i表示同心圆 环标号，j表示方向，民表示第i个同心圆环上的采样点和中心像素点（u，v)的距离，G为 高斯卷积符号，4(]^(ιι，ν，Ι^))表示采样点在方向j上卷积后的向量，]^(ιι，ν，Ι^)表示和中 心像素点（u,ν)相距民的采样点，山（1』(u,V，民)）归一化后为爲)).。
[0030] 接着，3个不同半径的同心圆环上的取样点多次高斯卷积可以实现多尺度空间。而 DAISY描述符算子D(u，v)就是在同心圆支撑区域中每个像素点位置的一系列相关向量的 加权，如公式（2)所示：
[0032] 式⑵中，N为同心圆环标号i取值范围的最大值，Μ为方向标号j取值范围的最 大值。DAISY描述符算子D(u，v)将作为图割算法中能量函数的数据项。
[0033] 步骤四、立体匹配的目的是要求出对应图像的视差图，对图像中的每个像素点计 算视差就相当于是给这个像素点进行标号，所以视差图的计算就是给图像标号的过程，最 精确的视差图也就对应着最优的标号配置。像素标号问题的输入集合有两个：一个是像素 集合P、另一个是标号集合L，标号的过程就是给像素集合P寻求一个最优标号fp的过程。 [0034] 在图割算法中，最重要的一步是构造全局能量函数，本发明全局能量函数如公式 (3)所示：
[0035]E(f) =Edata(f)+Esnooth(f) (3)
[0036] 式（3)中，Edata(f)是数据项，Es_th(f)是平滑项。数据项是根据像素集合来寻找 对应的标号，而平滑项则是利用像素与像素之间的差异大小来决定对应的标号选取是否符 合空间平滑性约束。
[0037] 图像中像素点的能量函数如公式（4)所示：
[0039] 式（4)中，Xp(fp) = |XR(x,y)_XL(x+fp,y) |表示的是右图中像素点p(x,y)和左图 中像素点#(λ+ J)的匹配代价，其中fp表示的是像素点P的标号，也就是像素点P对应的 视差值，P表示的是匹配聚合时的支撑窗口，\q (fp，fq)是一个平滑项模型，用来评估像素P取标号fP时的惩罚函数，N表示的是像素点p所在的邻域系统，fq表示邻域系统中像素点q 的标号。
[0040] 本发明将DAISY描述符算子作为数据项，所以有
[0041]Dp (fp) =IDr(x,y) -DL (x+fp,y) (5)
[0042] 式（5)中，DR (x,y)表示右图中的像素点p(x,y)的DAISY描述符算子，(x+fp,y) 表不左图中像素点#(?+_/，，)')的DAISY描述符算子。
[0043] 本发明采用α扩张算法来计算图的最小割，α的取值为通过求支撑点视差求得 的标号，取完这些标号完成一次迭代，每完成一次迭代计算一次能量，直到能量不再变小， 算法终止，从而求得稠密视差图，实现立体匹配。ct扩张算法来可以参见文献（Y.Boykov，0. Veksler,R.Zabih.FastApproximateEnergyMinimizationviaGraphCuts.IEEE,Trans onPatternAnalysisandMachineIntelligence，2001，23 (11):1222 ~1239)。
[0044] 本发明可以通过一下仿真实验进一步说明：
[0045]本仿真实验采用Middlebury国际平台中的Tsukuba图像作为测试图，左图如图5 中（a)所示，右图如图5中（b)所示。本仿真实验硬件平台为CPU主频可达3.4GHz、内存 容量为4GB的PC机，软件平台为VisualStudio2010,得到实验获得视差图如图6所示， 计算误差为7. 34%，计算时间为58s，而使用相同平台仿真文献（Y.Boykov, 0.Veksler,R. Zabih.FastApproximateEnergyMinimizationviaGraphCuts.IEEE,TransonPattern AnalysisandMachineIntelligence，2001，23 (11) :1222 ~1239)所述的传统图割算法获 得的计算误差为8. 26%，计算时间为326s。前述结果表明，本发明在减少计算量的基础上 保证了匹配精度。
【主权项】
1. 一种基于图割的立体匹配方法，其特征在于，包括W下步骤： 步骤一、用MSERDoG算子对左右两幅图像提取支撑点； 步骤二、将支撑点的像素灰度值作为匹配代价、固定窗口作为代价聚合对左右两幅图 像的支撑点进行匹配，求得支撑点的视差； 步骤H、计算左右两幅图中每个像素点的DAISY描述符算子； 步骤四、将支撑点的视差作为图割算法中的标号，将每个像素点的DAISY描述符算子 作为图割算法中能量函数的数据项用于图割算法中，通过求取能量函数最小值求得稠密视 差图。2. 如权利要求1所述基于图割的立体匹配方法，其特征在于，步骤一中，用楠圆拟合 MSERDoG算子检测得到最大稳定极值区域，将楠圆区域的中必作为支撑点。3. 如权利要求1所述基于图割的立体匹配方法，其特征在于，步骤Η中，逐像素构造 DAISY特征描述符的方法为： 首先，计算图像在每个像素点位置的8个方向梯度； 然后，高斯核卷积得到采样点的向量，采样点的向量如公式（1)所示， V, /?,：))=[巧V, /?,：)).…巧(/,("·V. /?,'棘 α) 式（1)中，U表示中必像素点的横坐标值，V中必像素点的纵坐标值，i表示同必圆环标 号，j表示方向，Ri表示第i个同必圆环上的采样点和中必像素点（U，V)的距离，G为高斯 卷积符号，di(li(u，V，Ri))表示采样点在方向j上卷积后的向量，lj(u，V，Ri)表示和中必像 素点（U,V)相距Ri的采样点，di(1j(U,V，Ri))归一化后为4(/,如，V.'，/?,.)); 接着，3个不同半径的同必圆环上的取样点多次高斯卷积实现多尺度空间，在同必圆支 撑区域中每个像素点位置的向量加权后获得DAISY描述符算子D(u，v)，D(u，v)如公式（2) 所示：(2) 式（2)中，N为同必圆环标号i取值范围的最大值，Μ为方向标号j取值范围的最大值。4. 如权利要求1所述基于图割的立体匹配方法，其特征在于，步骤四中，像素点的能量 函数如公式（3)所示：(3) 式（3)中，Xp(fp) = |XR(x，y)-XL(x+fp，y)I表示的是右图中像素点p(x，y)和左图中像 素点云U+ /p，.v)的匹配代价，其中fp表示的是像素点P的标号，也就是像素点P对应的视差 值，P表示的是匹配聚合时的支撑窗口，Vp,q(fp，fq)是一个平滑项模型，用来评估像素P取标 号fp时的惩罚函数，N表示的是像素点P所在的邻域系统，fq表示邻域系统中像素点q的 标号。5.如权利要求1所述基于图割的立体匹配方法，其特征在于，步骤四中，采用α扩张算 法来计算图的最小割。
【专利摘要】本发明出一种基于图割的立体匹配方法。用MSERDoG算子对左右两幅图像提取支撑点；将支撑点的像素灰度值作为匹配代价、固定窗口作为代价聚合对左右两幅图像的支撑点进行匹配，求得支撑点的视差；计算左右两幅图中每个像素点的DAISY描述符算子；将支撑点的视差作为图割算法中的标号，将每个像素点的DAISY描述符算子作为图割算法中能量函数的数据项用于图割算法中，最终通过求取能量函数最小值求得稠密视差图，实现立体匹配。本发明能够在保证图像匹配精度的情况下提高匹配效率。
【IPC分类】G06T7/00
【公开号】CN105405116
【申请号】CN201410449393
【发明人】钱惟贤, 李娇, 周骁骏, 刘琳, 吕芳, 顾国华, 陈钱, 徐富元, 任建乐, 任侃, 呙星, 田杰, 王伟杰
【申请人】南京理工大学
【公开日】2016年3月16日
【申请日】2014年9月4日