改进Census变换与梯度融合的立体匹配算法研究

"本文提出了一种改进的立体匹配算法，主要解决了传统方法在处理噪声、失真、视差不连续区域和弱纹理区域时存在的误匹配率高的问题。该算法结合了Census变换和梯度融合，并应用了多尺度策略以及改进的引导滤波技术，以提高匹配代价的稳定性和可靠性。实验结果证明，该算法在Middlebury测试平台上的表现优于其他方法，具有更好的稳健性，尤其在处理视差不连续和弱纹理区域时效果显著。" 在立体匹配领域，传统的算法常常面临噪声干扰、图像失真以及在特定区域（如视差不连续或弱纹理区域）的误匹配问题。本文提出的改进Census变换与梯度融合的立体匹配算法旨在解决这些问题。Census变换是一种基于局部邻域结构的图像表示方法，它对光照变化和噪声有一定的鲁棒性。然而，原始的Census变换可能会因噪声或复杂纹理导致匹配错误。为了改善这一情况，作者提出使用支持窗口内所有像素的加权平均灰度值作为Census变换的参考值，这有助于增强匹配的稳定性。 同时，算法引入了梯度信息来辅助匹配。梯度代价可以提供边缘信息，帮助识别视差变化的边界。通过水平和垂直方向的归一化结合，梯度代价与Census代价进行加权融合，这可以进一步提高单像素匹配的准确性。通过设置噪声容限，算法能够过滤掉不稳定的匹配成本，从而降低误匹配率。 在多分辨率尺度上，该算法采用了改进的引导滤波算法进行匹配代价的聚合。引导滤波器是一种用于图像平滑的滤波方法，它可以保持图像边缘的清晰，防止过度平滑导致的细节损失。在立体匹配中，这种改进的滤波器能够更有效地处理不同尺度下的匹配问题，尤其是在处理视差不连续区域时，能减少误匹配的发生。 实验部分，算法在Middlebury测试平台上对多种立体图像对进行了测试，平均误匹配率显著低于标准值，证明了算法的有效性。对于27组扩展立体图像对，平均误匹配率也保持在较低水平，显示出算法在处理更大范围图像时的稳健性。此外，该算法在面对噪声和光照变化等干扰时，依然能保持良好的性能，降低了视差不连续和弱纹理区域的误匹配率。 这种改进的立体匹配算法通过综合Census变换的结构信息和梯度信息，以及优化的多尺度聚合策略，提升了立体匹配的精度和鲁棒性，为机器视觉中的立体匹配问题提供了新的解决方案。