一種基于兩類膨脹的立體影像密集匹配方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設及立體影像密集匹配技術(shù)領(lǐng)域，特別設及一種采用兩類膨脹策略進行立 體影像密集匹配的方法及系統(tǒng)。
【背景技術(shù)】
[0002] 立體影像密集匹配是計算視覺和攝影測量領(lǐng)域的一個基礎(chǔ)和關(guān)鍵問題。密集匹配 的概念最早在攝影測量領(lǐng)域提出，用于解決數(shù)字航空攝影測量自動化測圖的問題。密集匹 配也是計算機視覺領(lǐng)域的關(guān)鍵問題，關(guān)系到3D模型建立、機器人導航和操作及在計算機中 形成混合實景動作等。
[0003] 立體密集匹配的目標是從二維影像中重建=維場景模型。通過對場景不同視點 下的兩幅影像建立匹配對應關(guān)系，W恢復場景的=維信息，其關(guān)鍵的問題是如何利用影像 匹配獲取可靠同名點，因此影像匹配的本質(zhì)是在不同影像上量測或者獲取同名點或同名特 征。運種從二維影像中重建=維場景本身就是病態(tài)問題，紋理不顯著區(qū)域W及視差不連續(xù) 的誤匹配問題一直難W全面得到解決。為取得更好的匹配結(jié)果，需要合理納入更多的先驗 條件約束。比如，基于區(qū)域灰度的匹配方法，匹配過程中利用影像局部信息改善窗口匹配， 同時利用金字塔分層匹配策略等提高匹配穩(wěn)定性和正確率。然而運種方法往往需要較大的 匹配窗口，匹配結(jié)果難W保證對影像局部細節(jié)的恢復。還有一些方法把影像分割作為約束， 但卻對于圖像分割結(jié)果有很強的依賴性?？傊?，傳統(tǒng)的密集匹配方法往往直接用各種約束 條件減小視差捜索范圍，因此對于先驗條件的依賴性過強，要求先驗條件有較高的精度，否 則容易產(chǎn)生誤匹配。
[0004] 近年來出現(xiàn)一些通過改進代價積聚方法來實現(xiàn)匹配的方法，例如采用自適應代價 積聚方法改善局部窗口匹配方法，采用多尺度代價積聚方法解決重復紋理的匹配問題，采 用半全局代價積聚方法解決視差不連續(xù)的匹配問題。運些方法的共同點都是在代價矩陣中 實現(xiàn)各自的約束，但由于納入的約束不夠充分，因此難W較全面地解決誤匹配問題。此外運 些采用半全局代價積聚的方法計算量非常巨大，在效率上無法滿足當前測繪生產(chǎn)需求，更 滿足不了實時性需求。
[0005] 特別需要指出的是，當前的影像匹配方法，大多數(shù)都依賴于"攝影的幾何條件"，如 "核線約束"條件等，因此當攝影機的崎變差較大時，影像匹配就會受到影響。同時，對當前 大多數(shù)影像匹配方法而言，當攝影的幾何條件不同（如面陣、線陳）、成像機理的不同（如 光學成像均為"角度成像"，而雷達圖像則是"距離成像"）時，不能做到自動適應。而本發(fā) 明與成像幾何、成像機理無關(guān)，只要兩幅圖像存在"視差"，就能實現(xiàn)匹配運算，確定同名點。 實質(zhì)上，它更接近于"人的立體觀察"。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明主要針對現(xiàn)有技術(shù)所存在的對于先驗條件約束依賴性過強問題（即容易 產(chǎn)生誤匹配）和效率不高問題，提出了一種W少量近似同名點為種子點，采用兩類膨脹策 略，對影像上所有特征點進行擴張式匹配，可w有效解決紋理不顯著w及視差不連續(xù)區(qū)域 的誤匹配問題。
[0007] 本發(fā)明技術(shù)方案提供一種基于兩類膨脹的立體影像密集匹配方法，包括W下步 驟：
[0008] 步驟1，取一幅影像作為基準影像，按照預設間隔對局部影像進行顯著特征提取， 形成待匹配特征點的集合；
[0009] 步驟2,對基準影像和待匹配影像構(gòu)成的影像對進行粗略匹配獲取同名種子點，作 為初始的已知點，形成初始的已知點集合；
[0010] 步驟3,基于基準影像，W當前的已知點集合中各已知點分別進行第一類膨脹，在 第一類膨脹中捜索待匹配特征點；
[0011] 步驟4,基于基準影像，對步驟3中得找到的每個待匹配特征點分別進行第二類膨 脹，在第二類膨脹中查找該待匹配特征點周圍距離最近的若干已知點，通過找到的所有已 知點進行距離加權(quán)平均，計算出待匹配點特征點在待匹配影像上的同名點的初始位置，并 根據(jù)找到的所有已知點確定捜索范圍，
[0012] 設基準影像上某待匹配特征點坐標為p(Xp，yp)，在第二類膨脹中查找到的所有已 知點數(shù)為N，得到所有的已知點對的集合為Q，所述距離加權(quán)平均的定義如下，
[0013]
[0014] 其中，P'（V，y。,）表示待匹配特征點p(Xp，yp)在待匹配影像上的可能匹配點坐標， Wp' 〇V，yp〇為待匹配點特征點在待匹配影像上的同名點的初始位置；
[001引(如)，9'壯/',，-iV,))表示集合Q中的一個已知點對，(和("V-\化，乂,',)) 表示集合Q中的一個已知點對，i，j= 1，2, 3...，N;
[001引
r表示P(V心和如'V>V)之間的距離；
[0017] 步驟5,基于基準影像和待匹配影像，根據(jù)步驟4所得待匹配特征點在待匹配影像 上的同名點的初始位置W及捜索范圍進行灰度匹配，包括將基準影像和待匹配影像分別作 為影像對的左右影像，W待匹配特征點及其同名點的初始位置為中屯、分別對影像對的左右 影像建立多級金字塔影像塊，然后在金字塔頂層影像上進行灰度相關(guān)匹配，根據(jù)初始位置 W及捜索范圍獲取待匹配影像上的同名點，然后按金字塔級數(shù)逐級向下傳遞匹配，最后回 到原始影像，獲得待匹配特征點在待匹配影像上的同名點的坐標及相關(guān)系數(shù)；
[001引步驟6,對當前的已知點集合中各已知點，分別根據(jù)步驟5所得匹配結(jié)果進行統(tǒng) 計，包括統(tǒng)計一個已知點本次迭代中進行第一類膨脹找到的所有待匹配特征點中，匹配所 得相關(guān)系數(shù)低于預設系數(shù)闊值的待匹配特征點占所有待匹配特征點的比率，當該比例于預 設比率闊值則將此已知點從當前的已知點集合中剔除；
[001引步驟7,對當前的已知點集合中剩余的各已知點，根據(jù)步驟5所得匹配結(jié)果，當有 待匹配特征點的匹配所得相關(guān)系數(shù)大于等于預設系數(shù)闊值，作為新增的已知點，加入到已 知點集合中；判斷本次迭代新增的已知點總數(shù)是否小于預設的數(shù)量闊值，若否則返回步驟 3,若是則結(jié)束流程，當前的已知點集合即最后的密集匹配結(jié)果。
[0020] 而且，第一類膨脹和第二類膨脹所使用的膨脹算法的定義如下，
[0021]
[002引其中，
[0023] X表示初始元素集合X中的初始元素，
[0024] B□表示對元素的八鄰域增長操作；
[0025]D00表示結(jié)果元素集合。
[0026] 而且，步驟3中，在對當前的已知點集合中某已知點進行第一類膨脹時，若該已知 點的捜索范圍已經(jīng)到了捜索邊界，貝峭b過該點不進行膨脹。
[0027] 而且，步驟5中，灰度相關(guān)匹配采用左右匹配窗口灰度的標準化的協(xié)方差作為相 關(guān)系數(shù)，根據(jù)如下公式計算，
[0028]
[002引其中，
[0030] U，V分別表示左右影像上待計算相關(guān)系數(shù)的兩個點；
[0031] R(u, V )表示U, V兩點的相關(guān)系數(shù)；
[0032]M，N表示計算相關(guān)系數(shù)的左右匹配窗口的寬、高；
[003引表示左右匹配窗口里面像素的灰度值；
[0034] 表示左右匹配窗口的灰度均值。
[0035] 本發(fā)明相應提供一種基于兩類膨脹的立體影像密集匹配系統(tǒng)，包括W下模塊：
[0036] 待匹配特征點捜索模塊，用于取一幅影像作為基準影像，按照預設間隔對局部影 像進行顯著特征提取，形成待匹配特征點的集合；
[0037] 種子點提取模塊，用于對基準影像和待匹配影像構(gòu)成的影像對進行粗略匹配獲取 同名種子點，作為初始的已知點，形成初始的已知點集合；
[0038] 第一類膨脹模塊，用于基于基準影像，W當前的已知點集合中各已知點分別進行 第一類膨脹，在第一類膨脹中捜索待匹配特征點；
[0039] 第二類膨脹模塊，用于基于基準影像，對第一類膨脹模塊中得找到的每個待匹配 特征點分別進行第二類膨脹，在第二類膨脹中查找該待匹配特征點周圍距離最近的若干已 知點，通過找到的所有已知點進行距離加權(quán)平均，計算出待匹配點特征點在待匹配影像上 的同名點的初始位置，并根據(jù)找到的所有已知點確定捜索范圍，
[0040] 設基準影像上某待匹配特征點坐標為p(Xp，yp)，在第二類膨脹中查找到的所有已 知點數(shù)為N，得到所有的已知點對的集合為Q，所述距離加權(quán)平均的定義如下，
[0041]
[004引其中，
[004引P'（v，yp0表示待匹配特征點p(Xp，yp)在待匹配影像上的可能匹配點坐標，W P' 0V，yp0為待匹配點特征點在待匹配影像上的同名點的初始位置；
[0044](如.V從化>)表示集合Q中的一個已知點化(g/.v義 表示集合Q中的一個已知點對，i，j= 1，2, 3...，N;
[004引
，表示P(Vyp)和9如4，-V,,)之間的距離；
[0046] 灰度匹配模塊，用于基于基準影像和待匹配影像，根據(jù)第