本文将引导滤波器用于立体匹配中的代价聚合一步,以下将本文分为常规的立体匹配四步来分析。
1、匹配代价
在像素与像素的比较中,采用像素之间的颜色绝对差值(AD)值及x方向上的梯度值来比较
2、代价聚合
引导滤波器的原理不再赘述
(详见https://blog.csdn.net/shan54321/article/details/80597439)
由式(17)可知,在i的邻域中像素j具有相似的颜色强度在q(i)值中有更强的权重。
3、视差计算
视差值的计算通常采用WTA策略:
4、视差优化
第一步:左右一致化检测
第二步:插值过程
对前一步已经校正的像素赋予像素值,对于较远的物体,采用的视差值是通过搜索最近点的无遮挡的像素(在同一条线上)的视差值。对于距离更远的物体有更高的视差值。
简单的填充会产生条纹线伪影,应该用中值滤波器,做可以用来保护边缘的滤波器,做平滑处理。
双边滤波器的权重式(31)得到:
最后的视差为:
算法流程:
1、匹配代价计算及代价聚合
2、左右一致性检测
3、深度图插值
自适应窗口方法:
本文在深度图上的有效提高依靠于使用引导滤波器,引导滤波器可以自适应权重,自适应地对每个像素加上不同的权重。
在立体匹配算法中聚合窗口的选择对结果的影响很大,窗口必须足够大以避免低噪比,但是,太大时,它们会覆盖深度变化很大的区域,在深度不连续区域,容易引起投影失真。
其中一种方法是,根据像素决定窗口的大小,窗口大小取决于像素强度和视差的局部变化。但是这种方法很依赖于初始视差的估计。
另一种方法是,调整窗口形状以适应不连续的形状。
一个新的自适应窗口方法提出,使用平方加权窗口。 对于每个像素,计算权重以使得仅感兴趣的相邻像素(即属于同一对象)具有较高的权重。 由于格式塔原则声明基于相似性和邻近度的分组规则是最强的,因此权重应该取决于颜色相似性和空间邻近性。
对于自适应窗口的方法,双边滤波器的计算量大,而引导滤波有类似的效果和较低的复杂度。
实验:
实验比较后采用的参数: