基于区域增长的立体匹配算法的研究

论文摘要

计算机视觉研究目的是通过“视觉”获取信息,即利用计算机对采集到的二维图像进行处理,获得三维信息,从而完成对周围环境中物体的形状、运动及位置的识别和理解。随着计算机的发展,这一技术已成功应用到各个领域中。立体匹配是计算机视觉的一项关键技术,也是近年来各个高校、企业的重点科研项目。立体匹配是指在不同的视角下获得的同一景物的各个投影图像间的匹配关系。立体匹配技术被广泛的应用在虚拟场景的重建、医学处理、导航系统等领域。本文对立体匹配技术的整个过程都做了大量的研究工作,首先提出了一种改进的基于特征向量量化的聚类树索引算法,此方法不同于以往的搜索策略,不需要遍历整幅图片,是一种有效的匹配点搜索算法。其次引入了匹配强度这一概念来优化种子点,提高匹配精度,生成了致密的视差图。本文总结了特征提取及匹配的基础知识,详细介绍了SIFT特征点提取及尺度空间的Harris角点检测算法,并对实验结果进行了分析。重点研究了哈希聚类索引算法寻找匹配点;在立体匹配方面介绍了准稠密匹配的原理并在传统的算法上优化种子点。实验证明,经过改进的立体匹配算法在有效性和准确性上都有很大的提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 立体视觉理论
• 1.2 研究现状
• 1.2.1 提取图像特征点技术的现状
• 1.2.2 立体匹配的研究现状
• 1.3 本文的工作
• 1.4 本章小结
• 第2章 图像预处理技术
• 2.1 数字图像的表示
• 2.2 图像变换
• 2.2.1 噪声干扰
• 2.2.2 光照变化
• 2.2.3 平移变换
• 2.2.4 旋转变换
• 2.2.5 尺度变换
• 2.3 图像特征点
• 2.4 本章小结
• 第3章 立体匹配基本理论
• 3.1 视差理论与视差图
• 3.2 立体匹配的研究内容
• 3.3 极线几何
• 3.4 本章小结
• 第4章 特征点的提取及匹配算法
• 4.1 引言
• 4.2 SIFT 特征提取算法
• 4.2.1 构建尺度空间及高斯金字塔结构
• 4.2.2 提取极值点
• 4.2.3 确定关键点的主方向
• 4.2.4 生成SIFT 特征向量
• 4.3 多尺度Harris 检测算子
• 4.4 分析与小结
• 4.5 特征匹配算法
• 4.5.1 MRSVQH 算法中的子向量量化
• 4.5.2 哈希聚类树的建立
• 4.5.4 参数的选择
• 4.6 实验结果
• 4.7 本章小结
• 第5章 立体视觉图像匹配算法
• 5.1 立体匹配算法分类
• 5.1.1 特征匹配算法
• 5.1.2 区域匹配算法
• 5.1.3 相位匹配算法
• 5.2 准稠密匹配算法概况
• 5.3 基于种子点扩散的准稠密匹配算法的实现
• 5.3.1 种子点的选取
• 5.3.2 区域增长
• 5.4 本文采取算法的具体步骤
• 5.5 实验结果
• 5.6 本章小结
• 第6章 总结
• 6.1 本文的主要工作
• 6.2 进一步的研究工作
• 参考文献
• 致谢
• 攻读硕士学位期间取得的科研成果