多尺度引导滤波加权聚合的立体匹配算法

针对多尺度局部匹配中出现边缘信息被过度平滑导致误匹配的现象，该文利用图像多尺度信息，提出多尺度引导滤波加权聚合的立体匹配算法以提高匹配精度。在代价计算阶段，改进了Census方法，并结合图像多尺度特征信息，融合绝对差值算子和零均值归一化算子，获取稳定的初始匹配代价。在代价聚合阶段，根据图像多尺度信息构建多尺度模型，在多尺度模型中引入邻域方差，提高多尺度模型的边缘保持能力，提高视差图质量。实验结果表明，该文利用图像的多尺度信息可以更好地对图像特征进行匹配，相比单尺度引导滤波算法以及传统多尺度算法整体匹配精度有明显提高，且在非边缘区域视差过渡更加平滑，验证该文提出的多尺度立体匹配算法的可行性。     

区域生长的半全局密集匹配算法

针对传统的半全局匹配算法在处理视差变化大、遮挡严重的城市航空影像时,存在匹配精度下降、匹配效率低下的问题,提出了一种基于区域生长的半全局密集匹配方法。采用区域生长算法获取影像的初始视差,并从初始匹配点中挑选可靠的点作为视差控制点;利用区域生长获取的视差图,限制各个方向动态规划的过程以加速最优路径的搜索;通过视差控制点对动态规划的路径进行修正,避免错误匹配代价的传播。基于城区无人机影像的实验结果表明,所提算法不仅可以提高匹配结果正确率,还能使耗费的内存和时间都不到原算法的50%。     

分区域快速高精度立体匹配方法

针对传统高精度立体匹配策略时间复杂度较高的问题,提出了一种分区域快速立体匹配方法。该方法首先建立加密的Delaunay三角网并计算网点视差。将结合梯度和灰度信息的零均值归一化互相关函数ZNCC作为匹配度量,采用视差邻域区间的二分法对加密三角网的顶点视差值进行亚像素级精化。在加密三角网中,利用视差边缘区域内视差值变化幅度较大的特性,提取出三角网中的边缘三角形。并连接各边缘三角形中视差最大的角点以获得视差边缘,同时对视差边缘进行邻域膨胀得到视差传播区域,其余区域视为视差平滑区域。在全局匹配区域内,选取待匹配点固定范围内代价最小的网点视差作为视差结果,由此获得全局的初始视差值。最后,利用初始视差值对视差传播区域内的像素构造初始视差平面,并进行平面传播和法向量优化以获取区域内的最优视差。结合视差传播区域和平滑区域的视差值,最终得到全局的视差结果;通过对Middlebury dataset中的图像实验对比分析,得出该方法在nonocc和disc指标平均值方面都具有更高的匹配精度,实现了快速的高精度匹配。     

加权约束代价聚合的立体匹配算法

针对动态规划立体匹配算法存在的条纹瑕疵问题,提出了一种加权约束代价聚合的立体匹配算法。首先利用图像灰度与梯度信息联合计算匹配代价,并进行引导图像滤波;再通过四方向加权代价聚合的方式进行视差优化,得到最终视差图。标准测试数据实验结果证明,该算法能很好地改善传统动态规划算法的条纹瑕疵现象,且视差精度优于多数局部算法和动态规划改进算法,提高了立体匹配的精度。     

基于深度学习的卫星影像立体匹配算法

卫星影像立体匹配是大规模地球表面重建的重要步骤之一,现有研究相对较少,且存在匹配效果不佳、模型泛化能力较差等问题。本文提出了一种基于深度学习的卫星影像立体匹配算法,算法流程包括数据集构建、立体匹配网络搭建、多级迁移学习及后处理。首先将裁剪得到的核线影像对输入改进的注意力成本网络,完成特征提取、注意力成本构建、视差估计与视差优化;然后经多级迁移学习训练的网络,可适应不同数据源,预测得到视差图;最后对视差图进行自适应后处理,以消除错误匹配。使用吉林一号高分02、高分04系列卫星影像进行试验,获取的视差图精度优于1像素,表明使用本文算法可获取准确、清晰的视差估计,决定了后续高质量数字表面模型结果的生成。     

基于区域增长自适应窗口的Census变换立体匹配方法

针对Census变换立体匹配算法中计算匹配代价时采用规则矩形窗口,导致适应性不强的问题,提出一种基于区域增长自适应窗口的Census变换立体匹配方法。首先,以待匹配点为中心,分别沿x轴正方向和负方向增长窗口,若新增像素点与待匹配点灰度差超过阈值或臂长超过阈值,则停止增长,然后以同样的策略增长y轴上的点;其次,利用汉明距离计算匹配代价;然后,在代价聚合阶段采用同样策略获取聚合窗口;最后,利用Middleburry网站提供的标准测试图像对进行实验分析,实验结果表明其算法较常规Census变换算法,匹配精度更高。     

改进半全局匹配的高分卫星影像DSM提取方法

传统半全局匹配算法在提取高分卫星立体像对DSM时,匹配结果受正则化参数的影响较大,且在阴影、低纹理、重复纹理和视差跳变等难以匹配区域存在较多的视差空洞。针对上述问题,该文提出了一种改进半全局匹配的高分卫星影像DSM提取方法:在代价聚合过程中根据当前层金字塔影像的视差搜索范围和代价矩阵自动确定正则化参数以增强匹配结果的稳定性,同时构建金字塔聚合以提高匹配点的数量;在此基础上,利用基于快速双边算子的优化策略优化视差图以填充视差空洞。结果表明:本文方法生成的DSM在建筑物边缘更为精细,同时能够较好地恢复难以匹配区域的高程值,且具有更高的精度水平。     

改进代价计算的AD-Census立体匹配算法

针对现有AD-Census代价计算时,Census变换依赖中心像素,对场景光照、亮度敏感的问题,提出一种基于子区域均匀度变换的改进代价计算方法。对Middlebury数据集在无幅度失真、不同亮度、不同光照场景下的代价计算以及立体匹配实验的统计结果表明,改进后的算法在非遮挡区以及所有区域的误匹配率均低于改进前,在代价计算环节,整体区域平均降低了5.80%,最终立体匹配后的视差图平均降低了1.55%。改进后的算法在不同亮度以及不同光照场景下对匹配的精度提升更加地显著,验证了改进算法的有效性。     

改进边缘能量聚集的半全局匹配算法

针对传统半全局算法匹配时间长和视差突变处易存在误匹配的问题,提出了一种改进边缘能量聚集的半全局匹配算法。在半全局匹配算法的基础上,引入金字塔分层策略,通过对图像降采样进行加速匹配,降低匹配算法的复杂度,减少内存的消耗。利用Canny算子获得分层图像的边缘信息,匹配时根据边缘信息改进边缘处的代价聚合并构建自适应窗口减小视差搜索域,获得正确率更高的视差图。结果表明,该算法可将明显提高匹配速率,降低运算复杂度,提高正确率。     

稀疏点云引导的航空影像数字表面模型生成方法

密集匹配是生成数字表面模型的核心步骤,但在纹理缺乏、视差断裂和光照不一致等区域容易匹配失败。为了提高密集匹配结果的精度,提出一种稀疏点云引导(sparse point cloud guidance, SPCG)的航空影像数字表面模型生成方法,旨在利用空三加密的稀疏点云约束影像的密集匹配。首先,通过稀疏点云引导的方式,选择具有良好几何配置、高重叠度和高覆盖率的立体影像对;然后,利用最近邻聚类和金字塔传播方法,扩充稀疏点云的数量;进一步,采用改进的高斯函数优化扩展点的匹配代价,以提高密集匹配结果的准确性;最后,将多个密集匹配点云融合,生成数字表面模型。模拟立体影像和真实航空立体影像的实验表明,SPCG方法优化的半全局匹配显著提升了原始半全局匹配算法的匹配准确性,具体数值表现如下：半全局匹配生成的视差图与真实视差的差值大于1、2或3个像素的百分比分别为46.72%、32.83%或27.32%,而SPCG方法优化的半全局匹配相比于半全局匹配分别下降了7.67%、9.75%或10.28%。此外,相比于高斯方法优化的半全局匹配和深度学习方法金字塔立体匹配网络,SPCG方法优化的半全局匹配具有最高的...