(X.Zhou and P·Boulanger，"Radiometric Invariant Stereo Matching Based on Relative Grad i ent s，''19 th IEEE Int.Conf. Image Process .,pp.2989-2992,2012.),CT[2](S.Kim,B.Ham,B. Kim, and K·Sohn,"Maha-lanobis Distance Cross-Correlation for Illumination-Invariant Stereo MatchingIEEE Trans.Cirtuits Syst.Video Techno1.,vol.24,no.11,2014.), DIFFCT[15](A.Miron,S.Ainouz,A.Rogozan,and A.Bensrhair,UA Robust Cost Function for Stereo Matching of Road Scenes Patt.Recognit. Lett.,vol.38,pp.70-77, 2014.), ΔADCT[11](S.Birchfield and C.Tomasi,"A Pixel Dissimilarity Measure That is Insensitive to Image Sampling/' IEEE Trans .Patt. Anal.Mach. Intel1., vol·20，no.4，pp.401-406，Apr.1998·)，ZNCC[2](S.Kim，B.Ham，B.Kim，and K.Sohn,"Maha-lanobis Distance Cross-Correlation for Illumination-Invariant Stereo Matching,"IEEE Trans.Cirtuits Syst.Video Techno1.,vol.24,no.11,2014.),ANCC[1] (Y.Heo,K. Lee ,and S·Lee ,"Robust Stereo Matching Using Adaptive Normalized Cross-correlationIEEE Trans .Patt. Anal.Mach.Intell.,vol.33,pp.807-822, 2011.)，各种比较算法的参数均设为与原文献相同，如图2 &、213、2(3、2(1、26、2€、28、211、21、 2j、2k、21、2m、2n、2o、2p、2q、2r、2s、2t。
[0105] 其它步骤及参数与【具体实施方式】一或二相同。
【具体实施方式】 [0106] 四：本实施方式与一至三之一不同的是:所述步骤五 中对立体匹配代价进行叠加;具体过程为：
[0107] 对立体匹配代价进行叠加，得到大小为mXn的初始视差图；-1 1，-1 1。
[0108] 其它步骤及参数与【具体实施方式】一至三之一相同。
【具体实施方式】 [0109] 五:本实施方式与一至四之一不同的是:所述步骤六 中建立视差置信度;具体过程为：
[0110] 采用置信度传播和置信补偿，将视差从可靠像素传递到不可靠像素，其中置信度 定义为：
[0111]
[0112] 式中，Dr(p)为初始视差图，B(p)是像素置信度。
[0113] 其它步骤及参数与【具体实施方式】一至四之一相同。
【具体实施方式】 [0114] 六:本实施方式与一至五之一不同的是:所述步骤七 中从1 (左)到N(右)视差置信度传递;具体过程为：
[0115] 初始化，如果Dr(p)不可信，同I
)的值赋 给< (/：〇，将Df (q)的值赋给Df (P);
[0116] 否则，将B(p)的值赋给. Dr(p)的值赋给Df (P);
[0117] 忍#代表从1(左)到N(右)的累加视差置信度，WP,q(I)是相邻像素 p和q的权值，
[0118]
[0119]其中，氏{1^，8}』为常量，用于校准相邻像素的相似度；1。(1))为1^图像1中像 素 P的c通道亮度值，IcXq)为RGB图像I中像素 q的c通道亮度值，
[0120] Df(q)为像素 q最终经过优化后的视差图，Df(P)为像素 p最终经过优化后的视差图；
[0121] 为置信度补偿量，上标lr代表从1(左)到N(右)视差传递过程，下标p代表像素 p 的补偿量
[0122]
[0123]式中，IC(P1)为RGB图像I中像素?1的(：通道亮度值；I c(p2)为RGB图像I中像素?2的(： 通道亮度值;WP,q(I)是相邻像素 P和q的权值，4为置信补偿。
[0124]
[0125] 其它步骤及参数与【具体实施方式】一至五之一相同。
【具体实施方式】 [0126] 七:本实施方式与一至六之一不同的是:所述步骤八 中从N(右)到1 (左)视差置信度传递;具体过程为：
[0127]初始化，对于所有的p e {:第i行}，i为正整数，将(p)的值赋给W :
[0128] 如果Df(p)=Df(q)，将
的值赋给5=(户)，将Df (q)的值赋给Df(q);
[0129] 否则，Df(P)矣Df(q)，如果
Df(P)=Df(q)；
[0130] 5；^代表从N(右)到1(左)视差图像的累加视差置信度;Df(q)为像素 q最终经过优 化后的视差图，Df(P)为像素 p最终经过优化后的视差图；
[0131]
[0132] 式中，Ic(p〇为RGB图像I中像素 ?1的(：通道亮度值；Ic(p2)为RGB图像I中像素 ?2的(： 通道亮度值;WP,q(I)是相邻像素 p和q的权值，< 为置信补偿，IcXp)为RGB图像I中像素 p的c 通道亮度值。
[0133]
[0134] 其它步骤及参数与【具体实施方式】一至六之一相同。
【具体实施方式】 [0135] 八:本实施方式与一至七之一不同的是:所述步骤九 中从1 (上)到Μ(下)视差置信度传递;具体过程为：
[0136] 当像素 ρ的视差不可靠(Dr(p)是不可靠像素），且时，则
[0137] B： (/;) = (w p,,(/) -f ψ；) B;； (c/) ,Df (p) =Df (q)
[0138] 否贝lj: <(/，）= 5(P)，Df(p)=Dr(p)
[0139] 式中，代表从1(上)到M(下)视差图像的累加视差置信度； < 为置信补偿。 [0140]其它步骤及参数与【具体实施方式】一至七之一相同。
[0141 ]【具体实施方式】九:本实施方式与【具体实施方式】一至八之一不同的是:所述步骤十 中从Μ(下)到1 (上)视差置信度传递;具体过程为：
[0142] 首先初始化每一行像素的置信度石;JCp) =
[0143] 如果 Df(p)=Df(q)贝 lj
[0144] S,：； (//) = S；； (p) + {WrJI) + ^)B,： (q)
[0145] Df (p) =Df (q)
[0146] 否则:如果
）则
[0147]
[0148] 式中，代表从M(下)到1(上)视差图像的累加视差置信度。 Η
[0149] 其它步骤及参数与【具体实施方式】一至七之一相同。
[0150] 【具体实施方式】十:本实施方式与【具体实施方式】一至九之一不同的是:所述图像I转换 到HSI颜色空间，再计算每个通道c e {Η，S，I}的权值：
[0151 ]式中，HSI是一种彩色模型，图像用色度、饱和度和亮度来描述。
[0152] 其它步骤及参数与【具体实施方式】一至八之一相同。
[0153] 采用以下实施例验证本发明的有益效果:实施例一:本实施例一种改进的光学仿 射不变双目立体匹配代价与视差优化方法具体是按照以下步骤制备的：
[0154] 两个垂直方向上的视差累加操作与步骤(3)的操作类似，最后，经过以上步骤可以 得到每个像素点都有最大总置信度的视差图像。根据图la、图lb、图lc实例可见，采用相对 梯度算法能够得到更加清晰的物体轮廓信息。本文提出的双目立体匹配代价算法的实验结 果如图28、213、2(3、2(1、26、2;1^、2区、211、2;[、2]_、21<:、21、2111、211、2〇、2卩、29、21'、28、21:、3&、313所不。 表1为各种算法的运行效率比较结果，测试时采用427x370像素和70个差分层读的Aloe图片 作为测试对象，测试设备为2.0GHz因特尔双核笔记本电脑，其RAM大小为2GB，算法没有进行 并行优化，编程语言为C语言，从实验结果可以看出本文提出的算法具有较高的精度和运行 效率。图3a、图3b为不同光照和曝光组合条件下的错误率。可以清楚的看出，在强仿射变化 时，本文算法的错误率远远低于RG算法，与ANCC算法错误率接近，但是存在较小的仿射变化 时远优于ANCC算法;如表1:
[0155] 表1
[0156]
[0157] 为了研究置信补偿<对视差优化结果的影响，图4(a)假设一个单位置信量从?1 传递到P，有补偿与无补偿的情况下，单位置信度均可无损到达P点。然而，在存在采样噪声 或非理想局部图案的情况下（图4(b))，可以计算出在无补偿的情况下只有0.053置信量传 播到P，低于像素 P从P2接收到的0.099置信量，从而导致p从?2接收到一个错误的视差。在有 补偿的情况下，则单位置信量可以无损失地传递到P。这是因为在有补偿的情况下，对于任 何 p'q'eCpuhilKpO-KpdlslKpy-KpOWt，
相反，
;说明算法仍然可以保留物体的边缘。图4a、4b-维情况下置信度的 传播例子。4a理想边缘;4b假设存在测量噪声或非理想图案情况下的边缘。其中数字代表从 Pi到P2的像素的亮度值。
[0158]