基于改进Census变换和多尺度空间的立体匹配算法.docx

基于改进Census变换和多尺度空间的立体匹配算法
一、引言
立体匹配是计算机视觉的一个重要研究方向，使用两个或多个图像来推断出场景深度和物体结构。而立体匹配基于的核心技术就是像素点之间的对应关系。对于立体匹配问题，全局优化算法和基于图割的局部优化算法是两种常见的方法。其中，全局优化算法虽然具有较高的准确性，但时间复杂度较高；而基于图割的局部优化算法虽然具有较快的运算速度，但准确性相对较低。因此，如何在保持准确性的同时提高算法的效率成为了立体匹配算法研究的一个重要问题。
二、研究背景
Census变换是一种有效的特征描述符，在许多计算机视觉的应用中被广泛使用。Census变换将每个像素点的像素值与周围的像素值进行比较，然后生成一个二进制编码用来描述该像素点的局部信息。然而，在计算匹配点时，Census变换会使算法受控于光照和噪声等因素，导致匹配效果不佳。
因此，通过引入多尺度空间概念，可以在不同分辨率下对图像进行处理，从而在保证精度的前提下提高算法的效率。与此同时，多尺度空间的引入还可以提高算法的鲁棒性，从而提高匹配的准确性。
三、算法设计
本文提出了一种改进的Census变换和多尺度空间相结合的立体匹配算法。首先，在获取两张图像的Census变换后，建立一个支持多尺度的代价计算模型。然后，根据多尺度代价的变化情况得出相应的代价矩阵。最后，通过基于图割的优化算法，求解出代价矩阵得到的立体匹配结果。
具体流程如下：
（1）获取两张图像的灰度图像和Census变换结果；
（2）通过高斯金字塔将图像进行多尺度处理，得到多个尺度的图像；
（3）对于每个尺度下的图像，计算代价矩阵；
（4）根据多尺度代价矩阵进行优化，得到匹配结果。
四、实验结果
本文的实验是在公开数据集KITTI上进行的。在这个实验中，我们将我们提出的算法与其他算法进行了对比，具体评价指标为平均误差率（AME，AverageMatchingError）和计算量。实验结果表明，我们提出的算法在AME指标上优于其他算法，并且计算量也较小，具有较高的实际应用价值。
五、结论和展望
本文提出了一种改进的Census变换和多尺度空间相结合的立体匹配算法，并在实验中得到了良好的效果。虽然结果仍有一定的提升空间，但是我们相信，本文提出的算法在实际应用中具有很强的实用性和可操作性。未来，我们将继续进行实验和改进，对该算法进行更加深入的研究。