双目多光谱融合_立体匹配

SGM

一方面高效率的局部算法由于所基于的局部窗口视差相同的假设在很多情况下并不成立导致匹配效果较差;而另一方面全局算法虽然通过二位相邻像素视差之间的约束(如平滑性约束)而得到更好的匹配效果,但是对内存的占用量大,速度慢。

匹配代价计算之互信息(MI)

1.每个像素预先设置一个固定的视差搜索范围D(Dmin, Dmax),三维代价空间W*H*D。

2.互信息(Mutual Information, MI)是一种对影像明暗变化不敏感的相关性测度,它通过两张影像各自的熵H以及两者的联合熵来定义,熵代表影像的信息量,是基于灰度的概率分布所得到的统计量,图像的熵越大代表包含的像素灰度越丰富,灰度分布越均匀。

3.互信息法代价计算原理较为复杂,且计算需要迭代,计算效率不高。

匹配代价计算之Census变换

1.Census变换是使用像素领域内的局部灰度差异将像素灰度转换为比特串,思路非常简单,通过将领域窗口(窗口大小为n*m,n和m都为奇数)内的像素灰度值与窗口中心像素的灰度值进行比较,将比较结果映射到一个比特串中,最后用比特串的值作为中心像素的Census变换值Cs。

双目多光谱融合_立体匹配_第1张图片

由上图可以已看出,Census变换对整体的明暗变化并不敏感,因为是比较的相对灰度关系,所以即使左右影像亮度不一致,也能得到较好的匹配效果。

代价聚合

由于代价计算步骤只考虑了局部的相关性,对噪声非常敏感,无法直接用来计算最优视差,所以通过代价聚合步骤,使聚合后的代价值能够更准确的反应像素之间的相关性。

你可能感兴趣的:(图像处理,图像处理)