一种基于两类膨胀的立体影像密集匹配方法及系统的利记博彩app
【技术领域】
[0001] 本发明设及立体影像密集匹配技术领域，特别设及一种采用两类膨胀策略进行立 体影像密集匹配的方法及系统。
【背景技术】
[0002] 立体影像密集匹配是计算视觉和摄影测量领域的一个基础和关键问题。密集匹配 的概念最早在摄影测量领域提出，用于解决数字航空摄影测量自动化测图的问题。密集匹 配也是计算机视觉领域的关键问题，关系到3D模型建立、机器人导航和操作及在计算机中 形成混合实景动作等。
[0003] 立体密集匹配的目标是从二维影像中重建=维场景模型。通过对场景不同视点 下的两幅影像建立匹配对应关系，W恢复场景的=维信息，其关键的问题是如何利用影像 匹配获取可靠同名点，因此影像匹配的本质是在不同影像上量测或者获取同名点或同名特 征。运种从二维影像中重建=维场景本身就是病态问题，纹理不显著区域W及视差不连续 的误匹配问题一直难W全面得到解决。为取得更好的匹配结果，需要合理纳入更多的先验 条件约束。比如，基于区域灰度的匹配方法，匹配过程中利用影像局部信息改善窗口匹配， 同时利用金字塔分层匹配策略等提高匹配稳定性和正确率。然而运种方法往往需要较大的 匹配窗口，匹配结果难W保证对影像局部细节的恢复。还有一些方法把影像分割作为约束， 但却对于图像分割结果有很强的依赖性。总之，传统的密集匹配方法往往直接用各种约束 条件减小视差捜索范围，因此对于先验条件的依赖性过强，要求先验条件有较高的精度，否 则容易产生误匹配。
[0004] 近年来出现一些通过改进代价积聚方法来实现匹配的方法，例如采用自适应代价 积聚方法改善局部窗口匹配方法，采用多尺度代价积聚方法解决重复纹理的匹配问题，采 用半全局代价积聚方法解决视差不连续的匹配问题。运些方法的共同点都是在代价矩阵中 实现各自的约束，但由于纳入的约束不够充分，因此难W较全面地解决误匹配问题。此外运 些采用半全局代价积聚的方法计算量非常巨大，在效率上无法满足当前测绘生产需求，更 满足不了实时性需求。
[0005] 特别需要指出的是，当前的影像匹配方法，大多数都依赖于"摄影的几何条件"，如 "核线约束"条件等，因此当摄影机的崎变差较大时，影像匹配就会受到影响。同时，对当前 大多数影像匹配方法而言，当摄影的几何条件不同（如面阵、线陈）、成像机理的不同（如 光学成像均为"角度成像"，而雷达图像则是"距离成像"）时，不能做到自动适应。而本发 明与成像几何、成像机理无关，只要两幅图像存在"视差"，就能实现匹配运算，确定同名点。 实质上，它更接近于"人的立体观察"。
【发明内容】
[0006] 本发明主要针对现有技术所存在的对于先验条件约束依赖性过强问题（即容易 产生误匹配）和效率不高问题，提出了一种W少量近似同名点为种子点，采用两类膨胀策 略，对影像上所有特征点进行扩张式匹配，可w有效解决纹理不显著w及视差不连续区域 的误匹配问题。
[0007] 本发明技术方案提供一种基于两类膨胀的立体影像密集匹配方法，包括W下步 骤：
[0008] 步骤1，取一幅影像作为基准影像，按照预设间隔对局部影像进行显著特征提取， 形成待匹配特征点的集合；
[0009] 步骤2,对基准影像和待匹配影像构成的影像对进行粗略匹配获取同名种子点，作 为初始的已知点，形成初始的已知点集合；
[0010] 步骤3,基于基准影像，W当前的已知点集合中各已知点分别进行第一类膨胀，在 第一类膨胀中捜索待匹配特征点；
[0011] 步骤4,基于基准影像，对步骤3中得找到的每个待匹配特征点分别进行第二类膨 胀，在第二类膨胀中查找该待匹配特征点周围距离最近的若干已知点，通过找到的所有已 知点进行距离加权平均，计算出待匹配点特征点在待匹配影像上的同名点的初始位置，并 根据找到的所有已知点确定捜索范围，
[0012] 设基准影像上某待匹配特征点坐标为p(Xp，yp)，在第二类膨胀中查找到的所有已 知点数为N，得到所有的已知点对的集合为Q，所述距离加权平均的定义如下，
[0013]
[0014] 其中，P'（V，y。,）表示待匹配特征点p(Xp，yp)在待匹配影像上的可能匹配点坐标， Wp' 〇V，yp〇为待匹配点特征点在待匹配影像上的同名点的初始位置；
[001引(如)，9'壯/',，-iV,))表示集合Q中的一个已知点对，(和("V-\化，乂,',)) 表示集合Q中的一个已知点对，i，j= 1，2, 3...，N;
[001引
r表示P(V心和如'V>V)之间的距离；
[0017] 步骤5,基于基准影像和待匹配影像，根据步骤4所得待匹配特征点在待匹配影像 上的同名点的初始位置W及捜索范围进行灰度匹配，包括将基准影像和待匹配影像分别作 为影像对的左右影像，W待匹配特征点及其同名点的初始位置为中屯、分别对影像对的左右 影像建立多级金字塔影像块，然后在金字塔顶层影像上进行灰度相关匹配，根据初始位置 W及捜索范围获取待匹配影像上的同名点，然后按金字塔级数逐级向下传递匹配，最后回 到原始影像，获得待匹配特征点在待匹配影像上的同名点的坐标及相关系数；
[001引步骤6,对当前的已知点集合中各已知点，分别根据步骤5所得匹配结果进行统 计，包括统计一个已知点本次迭代中进行第一类膨胀找到的所有待匹配特征点中，匹配所 得相关系数低于预设系数阔值的待匹配特征点占所有待匹配特征点的比率，当该比例于预 设比率阔值则将此已知点从当前的已知点集合中剔除；
[001引步骤7,对当前的已知点集合中剩余的各已知点，根据步骤5所得匹配结果，当有 待匹配特征点的匹配所得相关系数大于等于预设系数阔值，作为新增的已知点，加入到已 知点集合中；判断本次迭代新增的已知点总数是否小于预设的数量阔值，若否则返回步骤 3,若是则结束流程，当前的已知点集合即最后的密集匹配结果。
[0020] 而且，第一类膨胀和第二类膨胀所使用的膨胀算法的定义如下，
[0021]
[002引其中，
[0023] X表示初始元素集合X中的初始元素，
[0024] B□表示对元素的八邻域增长操作；
[0025]D00表示结果元素集合。
[0026] 而且，步骤3中，在对当前的已知点集合中某已知点进行第一类膨胀时，若该已知 点的捜索范围已经到了捜索边界，贝峭b过该点不进行膨胀。
[0027] 而且，步骤5中，灰度相关匹配采用左右匹配窗口灰度的标准化的协方差作为相 关系数，根据如下公式计算，
[0028]
[002引其中，
[0030] U，V分别表示左右影像上待计算相关系数的两个点；
[0031] R(u, V )表示U, V两点的相关系数；
[0032]M，N表示计算相关系数的左右匹配窗口的宽、高；
[003引表示左右匹配窗口里面像素的灰度值；
[0034] 表示左右匹配窗口的灰度均值。
[0035] 本发明相应提供一种基于两类膨胀的立体影像密集匹配系统，包括W下模块：
[0036] 待匹配特征点捜索模块，用于取一幅影像作为基准影像，按照预设间隔对局部影 像进行显著特征提取，形成待匹配特征点的集合；
[0037] 种子点提取模块，用于对基准影像和待匹配影像构成的影像对进行粗略匹配获取 同名种子点，作为初始的已知点，形成初始的已知点集合；
[0038] 第一类膨胀模块，用于基于基准影像，W当前的已知点集合中各已知点分别进行 第一类膨胀，在第一类膨胀中捜索待匹配特征点；
[0039] 第二类膨胀模块，用于基于基准影像，对第一类膨胀模块中得找到的每个待匹配 特征点分别进行第二类膨胀，在第二类膨胀中查找该待匹配特征点周围距离最近的若干已 知点，通过找到的所有已知点进行距离加权平均，计算出待匹配点特征点在待匹配影像上 的同名点的初始位置，并根据找到的所有已知点确定捜索范围，
[0040] 设基准影像上某待匹配特征点坐标为p(Xp，yp)，在第二类膨胀中查找到的所有已 知点数为N，得到所有的已知点对的集合为Q，所述距离加权平均的定义如下，
[0041]
[004引其中，
[004引P'（v，yp0表示待匹配特征点p(Xp，yp)在待匹配影像上的可能匹配点坐标，W P' 0V，yp0为待匹配点特征点在待匹配影像上的同名点的初始位置；
[0044](如.V从化>)表示集合Q中的一个已知点化(g/.v义 表示集合Q中的一个已知点对，i，j= 1，2, 3...，N;
[004引
，表示P(Vyp)和9如4，-V,,)之间的距离；
[0046] 灰度匹配模块，用于基于基准影像和待匹配影像，根据第