基于互信息的立体匹配方法
发布时间：2021-09-02 08:10
双目立体视觉是计算机视觉中一个重要的分支,主要用于获得场景的深度,从二维图像中获得三维的信息,可用于自动驾驶、场景重建等领域,其中立体匹配算法就是从多幅二维的图像中获取深度信息,即视差图的技术核心。国内外诸多学者已经提出了很多优秀的立体匹配算法,有基于局部纹理信息进行模板匹配的局部匹配算法,也有利用图像分割和最小生成树的全局匹配算法,还有先建立匹配的代价函数然后进行优化的全局匹配算法等。本文作者分析理想视差图的特点,确定了关于立体匹配中代价函数的先验,从信息论中熵的概念着手,分析了图像灰度熵的特点,及其作为全局匹配算法代价函数的可行性。为满足立体匹配代价函数的要求,引入联合熵和互信息的概念,以灰度互信息作为代价函数构建的基础。为了增强邻域像素间的约束,让视差图满足平滑完整的先验,综合理想双目系统的特点后,本文在构建代价函数后加入了正则化项进行代价聚合,从而获得最终的代价函数。为了优化该代价函数,根据代价函数的特点,引入了扫描线优化算法,构建了每个像素点的代价值对于不同视差值的表达式,本文选择从多个方向进行扫描线优化来强化邻域点点约束,从而降低扫描线优化所带来的纵向条纹瑕疵。构建完优化流...
【文章来源】：武汉纺织大学湖北省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
视差值与深度关系图
图 2.3 视差值与深度层关系示意图如果从答案来验证问题，一个在匹配图中的点 p 对应了一个物理空间中的点，已知它的真实视差值为 d，通过视差值 d 来修正得到一个在基准图中点 q，因为是理想的双目立体匹配图，那么点 与点 在水平方向的距离为 ，即匹配图中点 的坐标为( , )，对应的基准图中点 的坐标为( , )= ( , )，在此定义一个视差修正的函数 ，视差修正的表达式定义如下公式 2.3( , ) （2.3）视差修正将用于匹配环节，将匹配点 p 根据视差值 d 修正后得到的基本图中的点 q进行比较和计算，就能确定视差值 d 对于点 p 是否“合适”，通常只关注一个像素点的数据是没办法获得好的结果，而且一般的全局匹配算法会多次迭代来优化视差数据，所以视差修正会帮助算法一步一步接近问题的“答案”，即真实的视差图。简而言之，视差修正环节就是用“答案”来诱导问题向着“答案”的方向发展。
都由一个 0-255 的离散通道组成，所以一张灰度图就可以看作由有限个像素点构成的离散系统，每个像素点的值就是一个随机变量。图像中像素点的灰度值分布就可以看作图像的信息，在信息论中用熵来表示。熵来表示随机变量的无序程度，或者称为变量的信息量，当变量的无序程度越强，那么变量的信息量就越少，则熵越大。对于一个一维的随机变量 x 组成的系统 S，x 在有限的变化范围内，其系统的熵 ( )跟 x 在值域内的概率分布有关，系统 S 的熵就表示为 x 的概率分布函数 与其自然对数的乘积在 x 值域内的积分，然后取负，连续随机变量的熵 ( )的计算公式 2.4 如下( ) ln （2.4）对于离散的随机变量，H(x)也有类似的计算公式，在使用 255 分度的灰度值作为变量值域时，图像的灰度熵表示为离散形式，图像的灰度熵 H(x)公式 2.5 如下( )1ln （2.5）表示某一像素 x 的灰度值在整个图像系统中出现的概率， 呈现了图像的灰度分布情况，使用图形表示就是常用的灰度直方图，统计一张图片的灰度数据生成灰度分布的列表并绘制灰度直方图如下图 2.3。
【参考文献】：
期刊论文
[1]平行双目立体视觉的极线校正方法[J]. 李娜. 北京工业职业技术学院学报. 2019(01)
[2]基于视差几何模型的立体视觉测距方法[J]. 顾金凤,刘祥勇,纪亚强,刘操,唐炜. 江苏科技大学学报(自然科学版). 2018(06)
[3]基于双目视觉的增强现实系统设计与实现[J]. 郭子兴,张晓林,高岩. 电子设计工程. 2018(23)
[4]一种基于自适应权重SAD与Census融合的匹配算法[J]. 邹进贵,万荧,孟丽媛. 测绘通报. 2018(11)
[5]基于融合动态模板匹配的双目测距算法[J]. 史珂路,田军委,雷志强,张欢欢,孙雷. 计算机系统应用. 2018(11)
[6]基于图像分割的稠密立体匹配算法[J]. 马瑞浩,朱枫,吴清潇,鲁荣荣,魏景阳. 光学学报. 2019(03)
[7]递归边缘保持型双目立体匹配算法研究[J]. 帅然,吕植勇,刘昌伟,赖俊豪. 武汉理工大学学报(交通科学与工程版). 2018(05)
[8]基于多尺度卷积神经网络的立体匹配方法[J]. 习路,陆济湘,涂婷. 计算机工程与设计. 2018(09)
[9]基于OpenCV的双目立体匹配方法[J]. 孙道辉,孙丽君,陈天飞. 软件导刊. 2018(09)
[10]基于双目立体视觉的三维重建方法[J]. 张如如,葛广英,申哲,朱荣华,张广世,孙群. 扬州大学学报(自然科学版). 2018(03)
博士论文
[1]立体匹配技术的研究[D]. 耿英楠.吉林大学 2014
[2]基于遮挡信息的局部立体匹配算法的研究[D]. 王玮.山东大学 2012
硕士论文
[1]基于分层算法的立体图像匹配方法研究[D]. 衣家欣.青岛理工大学 2018
本文编号：3378662
【文章来源】：武汉纺织大学湖北省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
视差值与深度关系图
图 2.3 视差值与深度层关系示意图如果从答案来验证问题，一个在匹配图中的点 p 对应了一个物理空间中的点，已知它的真实视差值为 d，通过视差值 d 来修正得到一个在基准图中点 q，因为是理想的双目立体匹配图，那么点 与点 在水平方向的距离为 ，即匹配图中点 的坐标为( , )，对应的基准图中点 的坐标为( , )= ( , )，在此定义一个视差修正的函数 ，视差修正的表达式定义如下公式 2.3( , ) （2.3）视差修正将用于匹配环节，将匹配点 p 根据视差值 d 修正后得到的基本图中的点 q进行比较和计算，就能确定视差值 d 对于点 p 是否“合适”，通常只关注一个像素点的数据是没办法获得好的结果，而且一般的全局匹配算法会多次迭代来优化视差数据，所以视差修正会帮助算法一步一步接近问题的“答案”，即真实的视差图。简而言之，视差修正环节就是用“答案”来诱导问题向着“答案”的方向发展。
都由一个 0-255 的离散通道组成，所以一张灰度图就可以看作由有限个像素点构成的离散系统，每个像素点的值就是一个随机变量。图像中像素点的灰度值分布就可以看作图像的信息，在信息论中用熵来表示。熵来表示随机变量的无序程度，或者称为变量的信息量，当变量的无序程度越强，那么变量的信息量就越少，则熵越大。对于一个一维的随机变量 x 组成的系统 S，x 在有限的变化范围内，其系统的熵 ( )跟 x 在值域内的概率分布有关，系统 S 的熵就表示为 x 的概率分布函数 与其自然对数的乘积在 x 值域内的积分，然后取负，连续随机变量的熵 ( )的计算公式 2.4 如下( ) ln （2.4）对于离散的随机变量，H(x)也有类似的计算公式，在使用 255 分度的灰度值作为变量值域时，图像的灰度熵表示为离散形式，图像的灰度熵 H(x)公式 2.5 如下( )1ln （2.5）表示某一像素 x 的灰度值在整个图像系统中出现的概率， 呈现了图像的灰度分布情况，使用图形表示就是常用的灰度直方图，统计一张图片的灰度数据生成灰度分布的列表并绘制灰度直方图如下图 2.3。
【参考文献】：
期刊论文
[1]平行双目立体视觉的极线校正方法[J]. 李娜. 北京工业职业技术学院学报. 2019(01)
[2]基于视差几何模型的立体视觉测距方法[J]. 顾金凤,刘祥勇,纪亚强,刘操,唐炜. 江苏科技大学学报(自然科学版). 2018(06)
[3]基于双目视觉的增强现实系统设计与实现[J]. 郭子兴,张晓林,高岩. 电子设计工程. 2018(23)
[4]一种基于自适应权重SAD与Census融合的匹配算法[J]. 邹进贵,万荧,孟丽媛. 测绘通报. 2018(11)
[5]基于融合动态模板匹配的双目测距算法[J]. 史珂路,田军委,雷志强,张欢欢,孙雷. 计算机系统应用. 2018(11)
[6]基于图像分割的稠密立体匹配算法[J]. 马瑞浩,朱枫,吴清潇,鲁荣荣,魏景阳. 光学学报. 2019(03)
[7]递归边缘保持型双目立体匹配算法研究[J]. 帅然,吕植勇,刘昌伟,赖俊豪. 武汉理工大学学报(交通科学与工程版). 2018(05)
[8]基于多尺度卷积神经网络的立体匹配方法[J]. 习路,陆济湘,涂婷. 计算机工程与设计. 2018(09)
[9]基于OpenCV的双目立体匹配方法[J]. 孙道辉,孙丽君,陈天飞. 软件导刊. 2018(09)
[10]基于双目立体视觉的三维重建方法[J]. 张如如,葛广英,申哲,朱荣华,张广世,孙群. 扬州大学学报(自然科学版). 2018(03)
博士论文
[1]立体匹配技术的研究[D]. 耿英楠.吉林大学 2014
[2]基于遮挡信息的局部立体匹配算法的研究[D]. 王玮.山东大学 2012
硕士论文
[1]基于分层算法的立体图像匹配方法研究[D]. 衣家欣.青岛理工大学 2018
本文编号：3378662
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3378662.html
最近更新
教材专著
