基于正交Gaussian-Hermite矩的立体匹配研究

摘要

在立体匹配领域，尽管最近的调查以及Middlebury在线评价针对复杂几何形状和不同的质地测试比较了目前最先进的立体匹配方法，却并不多考虑匹配代价的稳定性，因为立体图像对的测试集通常是那些几乎没有辐射差异的图像，这意味着左右图像对中对应于同样的场景点的像素也有类似或相同的灰度值。通常而言，辐射差异包括了全局亮度变化，渐晕，非朗伯反射表面，图像噪声等，在所有情况下，匹配代价的方法都必须处理辐射差异带来的影响。本文旨在探讨这样一个基于正交Gaussian—Hermite矩的立体匹配代价方法。 矩被广泛应用于模式识别，图像处理和计算机视觉和多分辨率分析。正交Gaussian—Hermite矩是以高斯函数作为平滑内核的，因而Gaussian—Hermite矩相对其它矩具有较好的平滑作用，对噪声的敏感也相对较低。有助于立体图像对灰度分布的表达。利用OGHM使我们能够利用正交基函数对灰度度分布表达，可从矩变换中稳定地得到视差估计。为了能够集中关注匹配代价方法的性能，而不是立体匹配的后续优化算法，本文采用了具有代表性的图割（Graph Cut）算法。实验表明，以标准视差图为基准，基于OGHM的匹配代价法所得到视差图像与其它匹配代价方法所得到的结果相比较有更高的匹配精度，并具有良好的抗辐射差异性能。

目录

文摘

英文文摘

声明

第一章绪论

1.1立体视觉理论及应用背景

1.2立体匹配研究现状

1.3本文主要工作

第二章立体匹配基本原理

2.1视差理论

2.2摄像机标定

2.3立体图像校正

2.4立体匹配的约束条件

2.5本章小结

第三章立体匹配的算法过程和方法

3.1立体匹配的算法过程及匹配代价介绍

3.2马尔科夫随机场

3.3能量极小化问题的求解方法

3.4立体匹配的评价标准

3.5本章小结

第四章基于正交Gaussian-Hermite矩的匹配代价

4.1正交Gaussian-Hermite矩(OGHM)的原理与性质

4.2基于正交Gaussian-Hermite矩的匹配代价方法

4.3本章小结

第五章实验结果与分析

5.1实验内容概述

5.2亮度变化影响实验

5.3噪声影响试验

5.4本章小结

结论与展望

6.1结论

6.2未来展望

参考文献

致谢