【正文】 lity Constrain)物體表面上一點(diǎn)在兩幅或多幅圖像上的投影在某些物體度量上(如灰度，灰度梯度變化等幾何形狀上)具有相似性。比如空間某一個(gè)點(diǎn)在一條直線上，它在圖像中的投影也應(yīng)該在一條直線上。4．極線約束(Epipolar Constraint)一副圖像上的任一點(diǎn)，在另一副圖像的對(duì)應(yīng)點(diǎn)只可能位于一條特定的被稱為極線的直線上，也就是外極線。這個(gè)約束極大地降低了待驗(yàn)證的可能匹配點(diǎn)對(duì)的數(shù)量，把一個(gè)點(diǎn)在另一副圖像上可能匹配點(diǎn)的分布從二維降到了一維。5．順序一致性約束(Ordering Constraint)因?yàn)閳D像是對(duì)現(xiàn)實(shí)世界的投影，因此假如在現(xiàn)實(shí)世界中，P點(diǎn)在G點(diǎn)的左邊，則在圖像上P’點(diǎn)仍然在G’點(diǎn)的左邊。但是，如果視點(diǎn)的方位變化很大，這個(gè)約束條件可能不被滿足。6．互對(duì)應(yīng)約束(Mutual Correspondence Constraint)假設(shè)搜索從左圖像點(diǎn)足開(kāi)始，找到右圖像上對(duì)應(yīng)的點(diǎn)斥。如果任務(wù)反過(guò)來(lái)，搜索從只點(diǎn)開(kāi)始，但是沒(méi)能找到e，則匹配不可靠，應(yīng)該被排除。這個(gè)約束有助于排除由于遮擋，高光或噪聲原因而不存在對(duì)應(yīng)的那些點(diǎn)。7．視差范圍約束(Disparity Limit Constraint)這起源于心理學(xué)試驗(yàn)，它表明人類視覺(jué)系統(tǒng)只能融合視差比某個(gè)限度小的體圖像。此約束限制了尋找對(duì)應(yīng)點(diǎn)時(shí)的搜索范圍。區(qū)域匹配算法是以基準(zhǔn)圖像中的待匹配點(diǎn)為中心建立一個(gè)mxn窗口。由此窗口內(nèi)的像素值分布來(lái)代表該像素。在對(duì)應(yīng)的另一副圖像中．通過(guò)極線約束，在視差范圍內(nèi)用同樣大小的mxn窗口通過(guò)選取合適的相似性測(cè)度函數(shù)，來(lái)選取最大相似性對(duì)應(yīng)的匹配點(diǎn)，圖41 區(qū)域匹配示意圖列出了常用的相似測(cè)度函數(shù)：SAD，ZSAD，SSD，ZSSD，NCC，ZNCC。式中，和分別為左圖和右圖，與則是窗口內(nèi)象素灰度的均值。在以上介紹的這些窗口匹配代價(jià)函數(shù)中，SSD和SAD計(jì)算簡(jiǎn)單，且方便較為常用，但易帶來(lái)誤匹配。而ZSSD、ZSAD、NCC、ZNCC等代價(jià)函數(shù)采用了歸一化處理，對(duì)左右圖像對(duì)的輕微亮度差異不敏感，但相應(yīng)的計(jì)算量較大。本次實(shí)驗(yàn)將主要利用SAD來(lái)完成圖像的仿真工作。 像素質(zhì)差的絕對(duì)值和 過(guò)零平均像素值的絕對(duì)值和 像素值差的平方和 過(guò)零平均像素灰度差點(diǎn)平方和 歸一化交叉相關(guān)過(guò)零平均歸一化交叉相關(guān)區(qū)域匹配算法為了提高精度，大多采用雙向匹配的策略，當(dāng)以左圖像為基本圖像在右圖像上找到匹配點(diǎn)后．在右圖像上以此點(diǎn)為基準(zhǔn)，以相反的方向在左圖像進(jìn)行搜索．找到的匹配點(diǎn)和原匹配點(diǎn)進(jìn)行比較，當(dāng)誤差存一定范圍之內(nèi)時(shí)，就說(shuō)原匹配點(diǎn)就是要找的點(diǎn)。 仿真分析比較本次實(shí)驗(yàn)先采用較為簡(jiǎn)單SAD算法，數(shù)據(jù)假設(shè)最大視差為15，即D=15,窗口一半分別為N=3，N=5,N=7?；诖宋覀儗?duì)圖像進(jìn)行立體匹配。匹配對(duì)象如下圖所示圖42 tsuL圖43 tsuR圖示中為彩色圖，匹配中首先將其變?yōu)榛叶葓D，指令為im1=imread(39。39。)。 im1=rgb2gray(im1)。im2=imread(39。39。)。 im2=rgb2gray(im2)。本次實(shí)驗(yàn)主要采用SAD作為匹配函數(shù)來(lái)進(jìn)行圖像匹配仿真，程序如下：clear,clcim1=imread(39。39。)。im2=imread(39。39。)。if isrgb(im1) im1=rgb2gray(im1)。endim1=double(im1)。if isrgb(im2) im2=rgb2gray(im2)。endim2=double(im2)。D=15。 N=3。 [H,W]=size(im1)。imgDiff=zeros(H,W,D)。e=zeros(H,W)。for i=1:D e(:,1:(Wi))=abs(im2(:,1:(Wi)) im1(:,(i+1):W))。 %e=conv2(e,e,39。same39。)。 e2=zeros(H,W)。 for y=(N+1):(HN) for x=(N+1):(WN) e2(y,x)=sum(sum(e((yN):(y+N),(xN):(x+N))))。 end end imgDiff(:,:,i)=e2。endMap=zeros(H,W)。 for x=1:W for y=1:H %[val,id]=min(imgDiff(y,x,:))。 [val,id]=sort(imgDiff(y,x,:))。 Map(y,x)=id(1)。 end end Map=uint8(Map)。subplot(1,1,1)。imshow(Map,[])。仿真結(jié)果分別如下：圖44 N=3時(shí)SAD仿真結(jié)果圖45 N=5時(shí)SAD仿真結(jié)果圖46 N=7時(shí)SAD仿真結(jié)果區(qū)域匹配算法為了提高精度，大多采用雙向匹配的策略，也就是互對(duì)應(yīng)約束。即：當(dāng)以左圖像為基本圖像在右圖像上找到匹配點(diǎn)后．在右圖像上以此點(diǎn)為基準(zhǔn)，以相反的方向在左圖像進(jìn)行搜索．找到的匹配點(diǎn)和原匹配點(diǎn)進(jìn)行比較，當(dāng)誤差存一定范圍之內(nèi)時(shí)，就說(shuō)原匹配點(diǎn)就是要找的點(diǎn)。從以上結(jié)果可以看出如果匹配窗太大，則得到的視差圖會(huì)出于過(guò)度平滑而造成物體輪廓的模糊，使得無(wú)法區(qū)分場(chǎng)景中物體和其背攝。當(dāng)窗口較小時(shí)，圖像中有很多較小的斑塊，但是當(dāng)窗口逐漸變大時(shí)，斑塊的數(shù)量逐漸減少．但是輪廓也變得越來(lái)越模糊。因此，合理的匹配窗口的尺寸對(duì)于基于區(qū)域的立體匹配來(lái)說(shuō)是至關(guān)重要的。接下來(lái)采用SSD算法進(jìn)行驗(yàn)證,實(shí)驗(yàn)程序：圖示中為彩色圖，匹配中首先將其變?yōu)榛叶葓D，指令為im1=imread(39。39。)。 im1=rgb2gray(im1)。im2=imread(39。39。)。 im2=rgb2gray(im2)。本次實(shí)驗(yàn)主要采用SSD作為匹配函數(shù)來(lái)進(jìn)行圖像匹配仿真，程序如下：clear,clcim1=imread(39。39。)。im2=imread(39。39。)。if isrgb(im1) im1=rgb2gray(im1)。endim1=double(im1)。if isrgb(im2) im2=rgb2gray(im2)。endim2=double(im2)。D=15。 N=3。 [H,W]=size(im1)。imgDiff=zeros(H,W,D)。e=zeros(H,W)。for i=1:D e(:,1:(Wi))=(im2(:,1:(Wi)) im1(:,(i+1):W)).^2。 %e=conv2(e,e,39。same39。)。 e2=zeros(H,W)。 for y=(N+1):(HN) for x=(N+1):(WN) e2(y,x)=sum(sum(e((yN):(y+N),(xN):(x+N))))。 end end imgDiff(:,:,i)=e2。endMap=zeros(H,W)。 for x=1:W for y=1:H %[val,id]=min(imgDiff(y,x,:))。 [val,id]=sort(imgDiff(y,x,:))。 Map(y,x)=id(1)。 end end Map=uint8(Map)。subplot(1,1,1)。imshow(Map,[])。實(shí)驗(yàn)結(jié)果為：圖47 N=3時(shí)SSD仿真結(jié)果圖48 N=5時(shí)SSD仿真結(jié)果圖49 N=7時(shí)SSD仿真結(jié)果從以上結(jié)果分析，SSD的算法產(chǎn)生的圖像明顯優(yōu)于SAD的算法產(chǎn)生的圖像，無(wú)論在清晰度還是邊緣處理明顯好于SAD算法。同樣選擇合適的窗口大小也會(huì)使圖像更加清晰，所以N=5時(shí)的圖像好于其他兩組結(jié)果。本章主要研究了圖像立體匹配的方法，并對(duì)區(qū)域匹配方法進(jìn)行了介紹，建立了雙目視覺(jué)的模型，對(duì)仿真程序作了一些改進(jìn)，兩種算法的仿真結(jié)果進(jìn)行了對(duì)比，根據(jù)結(jié)果選擇出比較好的立體匹配方法，使仿真效果有了提高，圖像的質(zhì)量更加清晰。結(jié)論基于微動(dòng)平臺(tái)的圖像處理主要是運(yùn)用圖像匹配理論進(jìn)行立體匹配。實(shí)現(xiàn)微動(dòng)平臺(tái)和雙目立體視覺(jué)模型的很好結(jié)合，以Marr的立體視覺(jué)理論為基礎(chǔ)，對(duì)雙目立體視覺(jué)的基本理論、算法和相關(guān)技術(shù)進(jìn)行了系統(tǒng)研究，著重對(duì)領(lǐng)域中的立體匹配和攝像機(jī)標(biāo)定等熱點(diǎn)問(wèn)題及其子問(wèn)題進(jìn)行了深入分析和相關(guān)實(shí)踐驗(yàn)證，提出了相應(yīng)可行的方案，得到了較為滿意的結(jié)果。實(shí)現(xiàn)圖像最佳的清晰效果是本次論文的目標(biāo)論文的研究結(jié)果如下：(1) 建立了微動(dòng)平臺(tái)的模型，并進(jìn)行了適當(dāng)簡(jiǎn)化處理。(2) 建立了圖像立體匹配模型，在雙目視覺(jué)系統(tǒng)的前提下利用匹配代價(jià)函數(shù)進(jìn)行了MATLAB仿真，由于只是利用代價(jià)函數(shù)圖像匹配效果不好，所以有對(duì)其窗口進(jìn)行了處理，經(jīng)過(guò)再次的仿真，匹配效果明顯變好。參考文獻(xiàn)參考文獻(xiàn)[1] 王紅梅 張科 李言俊，圖像匹配研究進(jìn)展，計(jì)算機(jī)工程與應(yīng)用，2004: 5160[2] 李介谷，計(jì)算機(jī)視覺(jué)的理論和實(shí)踐，上海交通大學(xué)出版社，1999: 11~16[3] 潘振贛, 淺談數(shù)字圖像處理技術(shù)的基本原理, 電腦知識(shí)與技術(shù),2010, 2(1):1724.[4] 李竹林, 劉彥保. 一種基于區(qū)域顏色信息的寬基線立體匹配算法[J]. 微電子學(xué)與計(jì)算機(jī), 2012, 29(010): 7477.[5] 王興昌, 李煒, 劉政怡, 等. 基于雙密度雙樹(shù)復(fù)小波的立體匹配[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2012, 22(10): 9193.[6] 李德廣,李科杰,高麗麗. 基于多尺度多方向相位匹配的立體視覺(jué)方法[J]. 儀器儀表學(xué)報(bào), 2004, 25(4): 600602.[7] 周龍, 徐貴力, 李開(kāi)宇, 等. 基于 Census 變換和改進(jìn)自適應(yīng)窗口的立體匹配算法[J]. 航空學(xué)報(bào), 2012, 33(005): 886892.[1] [8] 顧征, 蘇顯渝. 三目自適應(yīng)權(quán)值立體匹配和視差校準(zhǔn)算法[J]. 光學(xué)學(xué)報(bào), 2008. 28 (4): 734 738.[9] 游素亞，徐光佑. 立體視覺(jué)的研究現(xiàn)狀與進(jìn)展[J]. 中國(guó)圖象圖形學(xué)報(bào), 1997, 2(1):1724.[10] 孫秀萍. 基于二維圖像的計(jì)算機(jī)三維建模方法研究[D]. 長(zhǎng)春: 吉林大學(xué)碩士學(xué)位論文, 2012, 4448.[11] 霍智勇, 朱秀昌, 劉天亮. 基于線性生長(zhǎng)的區(qū)域立體匹配算法研究[J]. 儀器儀表學(xué)報(bào). 2011, 23(4):819824.[2] [12] Barnard S T, Fischler M A. Computational stereo[J]. ACM Computing Surveys (CSUR), 1982, 14(4): 553572.[13] Myron Z．Brown,Darius Burschka,and G．D．Hager．Advances In Computational Stereo[J]. IEEE Transactions on Panem Analysis and Machine Intelligence, 2003,25(8): 9331008.[14] Dhond U R, Aggarwal J K. Structure from stereoa review[J]. Systems, Man and Cybernetics, IEEE Transactions on, 1989, 19(6): 14891510.[15] Scharstein, D. andS zeliski. A Taxonomy and Evaluation of Dense TwoFrame Stereo Correspondence Algorithms[J]．International Journal of Computer Vision, 2002, 47(1):742.[16] Yoon K J, Kweon I S. Locally adaptive support weight approach for visual correspondence search[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 23(4):819824.致謝 致謝時(shí)光茬冉，轉(zhuǎn)瞬間四年的大學(xué)學(xué)習(xí)生活即將結(jié)束。四年來(lái)，歲月以她堅(jiān)定耀實(shí)的腳步伴我走過(guò)了風(fēng)風(fēng)雨雨，這段日子我將終生難忘。這段時(shí)光中，有過(guò)辛苦，有過(guò)愜意，有過(guò)焦灼，有過(guò)平靜，而雖為重要的是論文落筆時(shí)內(nèi)心所產(chǎn)生的一份對(duì)知識(shí)的感悟。首先，我要向我的老師李惠光教授真誠(chéng)地道一聲：謝謝!時(shí)時(shí)給予幫助和指導(dǎo)，您淵博的知識(shí)，嚴(yán)謹(jǐn)?shù)膶W(xué)風(fēng)，真誠(chéng)善良的為人以及孜孜不倦的鉆研精神，都給我留下了深刻的印象。在今后的工作中，將時(shí)刻鞭策我、激勵(lì)我，促我?jiàn)^進(jìn)。謹(jǐn)祝李老師身體健康、工作幸福，生活幸福，每天擁有一份好心情。同時(shí)，我要感謝我的同學(xué)吳征，還有師姐石紅艷給我的論文提出了很多富有指導(dǎo)性和建設(shè)性的意見(jiàn)和建議，并提供了詳細(xì)的參考資料。此外，我還要感謝我的家人對(duì)我的理