影像匹配算法

按照影像中需要进行匹配的像点的相对数目,影像匹配可分为稀疏匹配和稠密匹配两类。

稀疏匹配产生稀疏的视差矩阵,主要用于确定视点与影像以及影像之间的相对位置关系。

稠密匹配通常要求获得整个影像或者影像主要部分的深度图。

按照匹配元素选择不同,影像匹配可以分为灰度区域匹配和特征匹配。

灰度区域匹配按照像素灰度进行匹配,

特征匹配使用边缘等影像特征进行匹配。

实际上,像素灰度也是一种影像特征,特征也不一定是某些可以解释的几何特征。具有可分辨性、不变性和稳定性的属性都可以作为匹配特征。

主要的匹配算法可以分为局部算法和全局算法两大类。

1.1、局部算法

局部算法主要有块匹配算法、基于梯度的优化算法和基于特征的匹配算法等。

认为利用影像的局部信息足以实现影像匹配，不需要全局优化。算法基于相似匹配元的选择，定义适当的匹配窗口和匹配原则是十分重要的。

典型的匹配代价函数有差平方和(SSD),绝对差之和(SAD)以及标准化互相关(NCC)等。

1、块匹配算法在局部小区域内寻找最佳匹配使匹配误差最小,通常使用规范化互相关方法,包括规范化互相关、平方差之和、规范化平方差之和、绝对差之和方法等。

2、基于梯度的优化算法在局部区域内通过最小化图像间平方差的和来实现匹配。该算法假设场景中同一个点在两个视图内的影像亮度不变。通过建立运动和影像亮度的微分方程来计算局部小区域内的视差。

块匹配算法和基于梯度的匹配算法对于图像的局部不连续和