摘 要： 針對目前主流方法對圖像中紋理單一區(qū)域匹配效果不佳的問題，提出了一種自適應(yīng)的基于區(qū)域增長的立體像對稠密匹配算法。該算法利用灰度共生矩陣，在區(qū)域增長過程中的匹配窗內(nèi)計算其紋理數(shù)量，然后根據(jù)紋理數(shù)量的多少自適應(yīng)調(diào)節(jié)匹配窗的大小。當(dāng)匹配窗內(nèi)紋理數(shù)量足夠多時，該匹配窗就能夠表征該匹配窗中心點(diǎn)的特征，因此可以減少誤匹配發(fā)生的幾率。實(shí)驗(yàn)結(jié)果證明,該算法具有良好的性能。
關(guān)鍵詞： 紋理單一； 自適應(yīng)； 灰度共生矩陣； 稠密匹配
圖像匹配就是尋找兩幅圖片中對應(yīng)點(diǎn)的過程，它是三維重建中最關(guān)鍵、最具挑戰(zhàn)性的步驟。對于如何度量兩個匹配點(diǎn)是否滿足匹配關(guān)系，通常需要引入一些約束關(guān)系，其中對于稠密匹配最重要的是連續(xù)性約束。區(qū)域增長就是利用這種連續(xù)變化視差的規(guī)律解決稠密匹配問題。
傳統(tǒng)稠密匹配算法為窗匹配法[1],利用局部信息，根據(jù)窗口內(nèi)灰度的相似性來確定是否匹配。窗口的大小對于最終能否得到光滑的視差圖起著非常關(guān)鍵的作用，而如何選擇窗口的大小取決于紋理和視差的局部變化量。如果窗口過小，窗口內(nèi)的灰度特征不能完全體現(xiàn)出該窗口的特異性，就會引起誤匹配;如果窗口過大，又會引入過度的平滑。當(dāng)窗口內(nèi)視差變化時,由于投影形變，窗口內(nèi)的灰度值不對應(yīng),導(dǎo)致視差圖出現(xiàn)空洞。
針對傳統(tǒng)稠密匹配算法出現(xiàn)的這些問題，許多學(xué)者提出了一些改進(jìn)的方法。KANADE T和OKUTOMI M提出一種自適應(yīng)窗口法[2],該算法利用高斯模板窗描述視差分布，再根據(jù)視差估計確定窗口的大小，該方法雖然提高了匹配質(zhì)量，但也大大地提高了算法的復(fù)雜度。動態(tài)規(guī)劃法[3]是利用全局信息進(jìn)行匹配，其匹配精確度較高，但計算復(fù)雜度很大。唐麗等[4]提到對邊緣提取后的圖像統(tǒng)計紋理的疏密程度，該方法對于邊緣提取后的圖像，統(tǒng)計紋理的疏密程度并不能夠完全體現(xiàn)出圖像的紋理特征。
本文提出一種基于灰度共生矩陣的自適應(yīng)稠密匹配算法，在紋理平滑區(qū)域不僅考慮了邊緣紋理信息，還考慮了除邊緣外的細(xì)小紋理，因此誤匹配率相應(yīng)減小，圖像匹配的可靠性進(jìn)一步提高。
1 算法框架
本文算法的總體框架如圖1所示，首先對兩幅圖像進(jìn)行粗匹配，得到初始種子點(diǎn)，再在初始種子點(diǎn)的基礎(chǔ)上依據(jù)紋理信息自適應(yīng)調(diào)整匹配窗口進(jìn)行種子點(diǎn)生長，最后生成稠密匹配視差圖。
其中，Ni,j代表(i,j)處窗口大小，Score(li-1,rj-1)代表前一匹配點(diǎn)的相似度量函數(shù)真值。采用自適應(yīng)的搜索窗可以有效減少計算時間，又可以提高匹配算法的準(zhǔn)確性，在一定程度避免了累積誤差的產(chǎn)生，降低了誤傳播的可能性。
匹配窗口的大小確定了匹配窗口內(nèi)像素對中心像素的支持度。如果當(dāng)前像素對應(yīng)于一個正確的匹配，匹配窗口應(yīng)包括且僅包括對應(yīng)于正確匹配的相鄰像素。自適應(yīng)的調(diào)節(jié)匹配窗口大小有利于選擇合適的匹配窗口大小，從而滿足匹配窗口的特異性，避免誤匹配的發(fā)生，具體策略如下。
3 算法驗(yàn)證及分析
為了驗(yàn)證本文算法的有效性，選擇Tsukuba標(biāo)準(zhǔn)圖片作為實(shí)驗(yàn)圖片，圖片大小為384×288像素，視差搜索范圍的最大值為16。立體匹配結(jié)果如圖4所示。
在圖4中，圖4(b)為窗匹配的視差圖，圖4(c)為本文算法的視差圖。由圖4(b)和圖4(c)可以看到,窗匹配方法在紋理稀疏的區(qū)域視差誤差較大，而本文算法在自適應(yīng)窗口的調(diào)節(jié)下減少了在紋理稀疏區(qū)域的誤匹配率，因此，本文算法在紋理稀疏區(qū)域有更高的匹配精度。圖4(e)是對本文算法錯誤視差的分析，黑色點(diǎn)表示在無遮擋區(qū)域匹配錯誤的像素點(diǎn)，灰色點(diǎn)表示在遮擋區(qū)域匹配錯誤的像素點(diǎn)，白色區(qū)域是匹配正確的像素點(diǎn)。圖4(f)為本算法匹配正確的像素點(diǎn)與匹配錯誤的像素點(diǎn)整體對比的誤差圖,灰色區(qū)域表示匹配正確的區(qū)域，白色和黑色區(qū)域表示匹配錯誤的區(qū)域。由圖4(e)和圖4(f)可以看到，本文算法在大部分區(qū)域都有很好的匹配效果，紋理稀疏區(qū)域出現(xiàn)的誤匹配率相對較少。
采用式(8)對本文算法和窗匹配算法在Tsukuba中的結(jié)果作了性能評估，評估結(jié)果如表2所示，BPBMn為非遮擋區(qū)域的PBM，BPBMa為總的PBM，BPBMd為深度不連續(xù)區(qū)域的PBM，BPBMt為紋理稀疏區(qū)域的PBM。
可以看到，與窗匹配算法相比，本文算法在非遮擋區(qū)域、深度不連續(xù)區(qū)域和紋理稀疏區(qū)域的誤匹配率大幅降低，匹配的精度有顯著的提高。
為了解決稠密匹配在紋理稀疏區(qū)域出現(xiàn)誤匹配的情況，提出了一種自適應(yīng)調(diào)節(jié)窗口的算法，以灰度共生矩陣計算得到的對比度、熵、相關(guān)性作為紋理稀疏的度量指標(biāo),自適應(yīng)調(diào)節(jié)匹配窗口大小以滿足窗口的特異性，再根據(jù)插值得到稠密的視差圖。實(shí)驗(yàn)結(jié)果表明：本文算法得到的PBM與窗匹配算法相比有較大降低，在非遮擋區(qū)域、紋理稀疏區(qū)域和深度不連續(xù)區(qū)域也能取得較理想的致密視差圖。如何進(jìn)一步提高在非遮擋區(qū)域、紋理稀疏區(qū)域和深度不連續(xù)區(qū)域的立體匹配的性能，將是今后的研究方向。
參考文獻(xiàn)
[1] Zhou Xiuzhi,Wen Gongjian,Wang Runsheng. Fast stereo matching using adaptive window[J].Chinese Journal of Computers, 2006,29(3):473-479.
[2] KANADE T, OKUTOMI M. A stereo matching algorithm with anadaptive window: Theory and experiment[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(9):920-932.
[3] ROY S, COX I. J. Amaximum-flow formulation of the N-camerastereo correspondence problem[C]. IEEE Proceedings of International Conference on Computer Vision, Bombai,1998:492-499.
[4] 唐麗，吳成柯，劉侍剛,等.基于區(qū)域增長的立體像對稠密匹配算法[J].計算機(jī)學(xué)報,2004,27(7):936-943.
[5] 葛亮, 朱慶生, 傅思思,等.改進(jìn)的立體像對稠密匹配算法[J].吉林大學(xué)學(xué)報(工學(xué)版),2010,40(1):212-21.
[6] 吳毅良. 一種基于SIFT和SUSAN特征的圖像匹配方法[J]. 微型機(jī)與應(yīng)用,2011,30(12):33-35.