改进代价计算与视差策略提升立体匹配精度

本文主要探讨了一种针对图像弱纹理区和重复纹理区匹配难题的改进立体匹配算法。在当前的立体匹配技术中，这些区域往往导致匹配精度下降和误差增大。作者针对这一问题，提出了一个创新方法，它结合了改进的Census变换和自适应加权融合的双向梯度信息，以提升匹配代价计算的可靠性和鲁棒性。 首先，作者对传统的Census变换进行了扩展，增加了内圈编码，这增强了对邻域信息的利用，有助于减少噪声干扰，从而提高匹配结果的准确性。同时，通过自适应权重函数，将横向和纵向梯度信息融合起来，这种方法在处理物体边缘区域时特别有效，有效地降低了误匹配率，减少了边缘区域的匹配误差。 其次，算法采用了自适应十字交叉窗口进行代价聚合，这种窗口策略能够更好地捕捉局部特征，使得代价计算更加精确。为了进一步优化视差，算法构建了候选视差集，并引入邻域视差信息，通过这种方法获取更为准确的初始视差估计，提高了匹配的稳定性和精度。 最后，通过两轮插值策略对视差进行精细化调整，进一步提升了算法的整体性能。实验结果显示，这项改进的立体匹配算法在 Middlebury 数据集中的4幅标准立体图像对测试中，平均误匹配率显著降低至5.33%，证明了其在处理复杂纹理场景下的优越性能。 这篇文章的研究贡献在于提出了一种新颖的立体匹配策略，通过改进的代价计算和视差候选策略，有效解决了图像弱纹理区和重复纹理区的匹配问题，提高了匹配精度和稳定性，对于机器视觉领域的立体深度估计具有重要的实际应用价值。