神马文学网视差估计方法综述
来源：百度文库 编辑：神马文学网 时间：2024/04/28 17:36:29
立体视差估计一直是研究及应用立体视觉的关键性问题，因此针对此问题已经提出了许多方法。根据采用的匹配基元的不同，视差估计方法主要归纳为两种类型：基于区域和基于特征的方法。
基于区域的视差估计
基于视差估计是把一幅图像中某一点的灰度邻域作为匹配基元，在另一幅图像中搜索具有相同(或相似)灰度值分布的对应点邻域，从而实现两幅图像的匹配并得到各个点的视差。在搜索过程中，通常是以相关函数作为两个搜索领域的相似性测度。基于区域的匹配法在平坦而纹理丰富的区域可以达到较高的匹配精度，由于直接对图像像素进行匹配，因此匹配结果不受特征检测精度和密度的影响，可得到密集的视差场。尽管人们对基于区域的视差估计进行了大量研究并提出很多改进措施，目前仍存在以下不足：
1.过分依赖于图像灰度统计特性。由于直接利用图像的像素灰度值进行匹配，使得匹配效果对于景物表面结构、成像以及光强和对比度的变化等比较敏感。如果景物表面缺乏足够的纹理细节，由于信息量小，容易出现误匹配；
2.当左、右两幅图像中存在重复结构的纹理特征或相关像素邻域内存在深度间断、遮挡现象时，常常会引起匹配的混淆；
3.由于基于区域的匹配法需要对搜索区域内的每一位置进行穷举匹配，而且在每一位置上要进行逐点的运算，因此该方法的运算量较大。虽然采用外极线约束条件以及由粗到细的匹配层次结构等可以在一定程度上减少匹配的运算量，复杂性仍然很高。
基于特征的视差估计
与基于灰度的视差估计不同，基于特征的视差估计不是直接利用图像灰度，而是通过能表示景物自身特性的特征来实现匹配。由于特征更多地强调空间景物的结构信息，因此基于特征的匹配法可以较好的解决歧义性问题，且对光线、对比度变化等不敏感。基于特征的匹配法通常包括两个步骤：特征提取和特征匹配。
特征提取主要是利用特征提取算子提取图像特征，这些特征通常都是图像中灰度变化明显的点、线、面或是图像的结构关系。特征提取是整个基于特征匹配方法的基础，提取特征的多寡、特征定位精度的好坏、特征信息可信度的高低等都会直接影响到后面的匹配结果。通常特征提取的对象有两类，一类为点特征，如零交叉点、边缘点、角点等；另一类为图像的结构特征，如直线段、灰度段、二次曲线等。
特征匹配是在左右图像对的特征之间寻找对应关系，通常这种关系是一一对应的。特征匹配的方法有很多种，既可以直接利用特征点邻域的灰度信息，也可以利用特征提取时获得的特征信息，如特征的强度、方向、特征间的相互关系等等。常见的特征匹配方法有相关法、松弛法、动态规划法以及多分辨率法等，其中，多分辨率法可以与其他方法结合使用，减少计算时间。
基于特征的视差估计的优点在于：
1.由于图像特征相对于图像灰度而言，属于较高级的图像结构信息，包含信息量多、鲁棒性强，受噪声及光线、对比度变化等影响较小，具有较好的匹配准确度；
2.由于边缘特征往往出现在视差间断区域，因此基于特征的匹配法能较好地处理立体匹配中的视差不连续问题；
3.计算量小，速度快。这是因为它只对特征进行搜索匹配，而不是图像中的所有像素点，因此在匹配过程中算法的空间复杂度和时间复杂度都较小。
基于特征的视差估计也存在以下不足：
1.特征在图像中的稀疏性决定基于特征的匹配法只能得到稀疏的视差场，视差场的疏密程度取决于特征量的多少。如果要获得密集的视差场，必须通过插值来实现，而插值本身又是一个复杂的病态过程；
2.特征的提取和定位结果直接影响匹配效果，如果特征提取效果不好会很大程度上制约匹配精度的提高。