基于改进自适应权重的三边滤波立体匹配算法

doi:10.3778/j.issn.1002-8331.1908-0220

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (18): 186-192.DOI: 10.3778/j.issn.1002-8331.1908-0220

基于改进自适应权重的三边滤波立体匹配算法

潘卫华，杜旭

华北电力大学计算机系，河北保定 071000

出版日期:2020-09-15 发布日期:2020-09-10

Three-Edge Filtering Stereo Matching Algorithm Based on Improved Adaptive Support Weight

PAN Weihua, DU Xu

School of Computer, North China Electric Power University, Baoding, Hebei 071000, China

Online:2020-09-15 Published:2020-09-10

摘要/Abstract

摘要：

针对基于双边滤波器（BF）的自适应权重（ASW）方法不能有效解决由视差不同但颜色相似的像素引起的模糊匹配问题，引入了一种新的基于三边滤波器（TF）的ASW方法，通过局部能量模型计算相邻像素之间的边界强度来提高匹配精度。为了提高匹配速度，将TF算法递归实现，把普通局部立体匹配算法的复杂度从[O(NWD)]降低为[O(N)]。在Middlebury基准测试集上进行实验并与其他局部立体匹配算法进行比较，RTF算法的平均误匹配率为4.91%，匹配精度高于同类型双目立体匹配算法，平均匹配速度达到258 ms，满足了双目立体匹配实时性的需求。

关键词: 双目视觉, 立体匹配, 递归滤波, 边缘保持, 图像处理

Abstract:

The Adaptive Support Weighting（ASW） method based on Bilateral Filter（BF） can not effectively solve the fuzzy matching problem caused by pixels with different parallax but similar colors, a new Trilateral Filter（TF） based ASW method is proposed. The local energy model is used to calculate the boundary strength between adjacent pixels to improve the matching precision. In order to improve the matching speed, the TF algorithm is recursively implemented, and the complexity of the ordinary local stereo matching algorithm is reduced from [O(NWD)] to [O(N)]. Experiments are carried out on the Middlebury benchmark test set. Compared with other local stereo matching algorithms, the average mismatch rate of the RTF algorithm is 4.91%, higher than the other binocular stereo matching algorithm. The average matching speed reaches 258 ms, which satisfies stereo matching needs for real-time.

Key words: binocular vision, stereo matching, recursive filtering, edge preservation, image processing

潘卫华，杜旭. 基于改进自适应权重的三边滤波立体匹配算法[J]. 计算机工程与应用, 2020, 56(18): 186-192.

PAN Weihua, DU Xu. Three-Edge Filtering Stereo Matching Algorithm Based on Improved Adaptive Support Weight[J]. Computer Engineering and Applications, 2020, 56(18): 186-192.

[1]	王文曦, 李乐林. 深度学习在点云分类中的研究综述[J]. 计算机工程与应用, 2022, 58(1): 26-40.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[4]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[5]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[6]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[7]	张忠民，刘金鑫，席志红. 熵率超像素分割一致性检验视差细化算法[J]. 计算机工程与应用, 2021, 57(5): 204-209.
[8]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[9]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[10]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[11]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[12]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[13]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[14]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[15]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.

基于改进自适应权重的三边滤波立体匹配算法

Three-Edge Filtering Stereo Matching Algorithm Based on Improved Adaptive Support Weight

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics