改进的代价聚集快速立体匹配算法

doi:10.19678/j.issn.1000-3428.0050790

计算机工程 ›› 2019, Vol. 45 ›› Issue (7): 268-272,281. doi: 10.19678/j.issn.1000-3428.0050790

改进的代价聚集快速立体匹配算法

杨罡¹, 晋涛¹, 王大伟¹, 曹京津¹, 张娜¹, 严碧武², 李涛², 程远²

1. 国网山西省电力科学研究院, 太原 030045;
2. 国网电力科学研究院武汉南瑞有限责任公司, 武汉 430074

收稿日期:2018-03-15 修回日期:2018-05-22 出版日期:2019-07-15 发布日期:2019-07-23
作者简介:杨罡(1983-),男,高级工程师,主研方向为图像处理、高压线路智能监测研究;晋涛,高级工程师;王大伟、曹京津、张娜,工程师;严碧武,高级工程师;李涛,工程师;程远,助理工程师。
基金资助:
国网山西电力2017年重点研究项目（52053016000v）。

Improved Cost Aggregation Algorithm for Fast Stereo Matching

YANG Gang¹, JIN Tao¹, WANG Dawei¹, CAO Jingjin¹, ZHANG Na¹, YAN Biwu², LI Tao², CHENG Yuan²

1. State Grid Shanxi Electric Power Research Institute, Taiyuan 030045, China;
2. Wuhan Nanrui Limited Company of State Grid Electric Power Research Institute, Wuhan 430074, China

Received:2018-03-15 Revised:2018-05-22 Online:2019-07-15 Published:2019-07-23

摘要/Abstract

摘要： 针对立体匹配中的代价聚集问题，提出一种改进的代价聚集算法。对图像进行超像素分割并建立最小生成树，采用树形滤波器进行代价聚集，生成超像素代价。利用权重融合初始像素代价和超像素代价，得到最终的像素代价。实验结果表明，与最小生成树、线段树等算法相比，该算法的时间复杂度较低，且生成的视差图具有良好的边缘保持特性。

关键词: 代价聚集, 超像素, 最小生成树, 树形滤波器, 立体匹配

Abstract: For the cost aggregation problem in stereo matching,an improved cost aggregation algorithm is proposed.The image is segmented by superpixel and the Minimum Spanning Tree(MST) is established.Then,use tree filter for cost aggregation to generate superpixel cost.The final pixel cost is obtained by weighting the initial pixel cost and superpixel cost.Experimental results show that compared with MST,Segmcat-Tree(ST) and other methods,the proposed algorithm has lower time complexity,and can get disparity map with good edge preserve features.

Key words: cost aggregation, superpixel, Minimum Spanning Tree(MST), tree filter, stereo matching

中图分类号:

TP391

杨罡, 晋涛, 王大伟, 曹京津, 张娜, 严碧武, 李涛, 程远. 改进的代价聚集快速立体匹配算法[J]. 计算机工程, 2019, 45(7): 268-272,281.

YANG Gang, JIN Tao, WANG Dawei, CAO Jingjin, ZHANG Na, YAN Biwu, LI Tao, CHENG Yuan. Improved Cost Aggregation Algorithm for Fast Stereo Matching[J]. Computer Engineering, 2019, 45(7): 268-272,281.

http://www.ecice06.com/CN/Y2019/V45/I7/268

参考文献

[1] SUN Jian,SHUM Heung Yeung,ZHENG Nanning.Stereo matching using belief propagation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(7):787-800.
[2] HIRSCHMULLER H.Accurate and efficient stereo processing by semi-global matching and mutual information[C]//Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Computer Society,2005:807-814.
[3] 王新艳,潘巍,王月莲,等.基于全局差错能量函数的立体匹配算法[J].计算机工程,2017,43(7):244-249.
[4] 王年,范益政,鲍文霞,等.基于图割的图像匹配算法[J].电子学报,2006,34(2):232-236.
[5] 王召月,陈丽芳.基于mean-shift全局立体匹配方法[J].计算机工程与科学,2017,39(7):1333-1337.
[6] HONG Li,CHEN George.Segment-based stereo matching using graph cuts[C]//Proceedings of 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Computer Society,2004:74-81.
[7] SCHARSTEIN D,SZELISKI R.A taxonomy and evaluation of dense two-frame stereo correspondence algorithms[J].International Journal of Computer Vision,2002,47(1/2/3):7-42.
[8] PORIKLI F.Constant time O(1) bilateral filtering[C]//Proceedings of International Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2008:1-8.
[9] HE Kaiming,SUN Jian,TANG Xiao’ou.Guided image filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(6):1397-1409.
[10] LU Jiangbo,SHI Keyang,MIN Dongbo,et al.Cross-based local multipoint filtering[C]//Proceedings of International Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2012:430-437.
[11] YANG Qingxiong.A non-local cost aggregation method for stereo matching[C]//Proceedings of International Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2012:1402-1409.
[12] MEI Xing,SUN Xun,DONG Weiming,et al.Segment-tree based cost aggregation for stereo matching[C]//Proceedings of International Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2013:313-320.
[13] ZBONTAR J,LECUN Y.Stereo matching by training a convolutional neural network to compare image patches[J].Journal of Machine Learning Research,2016,17(1):2287-2318.
[14] LI Lincheng,YU Xin,ZHANG Shunli,et al.3D cost aggregation with multiple minimum spanning trees for stereo matching[J].Applied Optics,2017,56(12):3411-3420.
[15] LEE S,LEE J H,LIM J,et al.Robust stereo matching using adaptive random walk with restart algorithm[J].Image and Vision Computing,2015,37:1-11.
[16] ACHANTA R,SHAJI A,SMITH K,Et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.
[17] MEI Xing,SUN Xun,ZHOU Mingcai,et al.On building an accurate stereo matching system on graphics hardware[C]//Proceedings of International Conference on Computer Vision Workshops.Washington D.C.,USA:IEEE Press,2011:467-474.

选择文件类型/文献管理软件名称

选择包含的内容

改进的代价聚集快速立体匹配算法

Improved Cost Aggregation Algorithm for Fast Stereo Matching

RichHTML

PDF

可视化

被引次数

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

本文评价

[1]	刘志浩, 孟凡云, 王金鹤, 张楠. 基于空洞卷积与注意力模块的立体匹配算法[J]. 计算机工程, 2023, 49(8): 223-231.
[2]	侯华, 郭宏洋, 代超娜, 李峻辉. 结合多重注意力与迭代优化的立体匹配算法[J]. 计算机工程, 2023, 49(7): 161-168.
[3]	孙欣悦, 李庆忠. 基于小波变换的水下显著性目标快速检测算法[J]. 计算机工程, 2023, 49(4): 249-255.
[4]	余嘉昕, 王春媛, 韩华, 高燕. 基于融合代价和优化引导滤波的立体匹配算法[J]. 计算机工程, 2023, 49(3): 257-262,270.
[5]	李婕, 周顺. 基于超像素和光流引导的正射影像拼接方法[J]. 计算机工程, 2022, 48(3): 263-270.
[6]	刘建国, 纪郭, 颜伏伍, 沈建宏, 孙云飞. 基于视差优化的立体匹配网络[J]. 计算机工程, 2022, 48(3): 220-228.
[7]	张锡英, 王厚博, 边继龙. 多成本融合的立体匹配网络[J]. 计算机工程, 2022, 48(2): 186-193.
[8]	刘振国, 李钊, 宋滕滕, 何益智. 结合可变形卷积与双边网格的立体匹配网络[J]. 计算机工程, 2022, 48(12): 241-247,254.
[9]	尹晨阳, 职恒辉, 李慧斌. 基于深度学习的双目立体匹配方法综述[J]. 计算机工程, 2022, 48(10): 1-12.
[10]	赵晨园, 李文新, 张庆熙. 一种改进的实时半全局立体匹配算法及硬件实现[J]. 计算机工程, 2021, 47(9): 162-170.
[11]	黄彬, 胡立坤, 张宇. 基于自适应权重的改进Census立体匹配算法[J]. 计算机工程, 2021, 47(5): 189-196.
[12]	文斌, 朱晗. 基于自适应权重的立体匹配优化算法[J]. 计算机工程, 2021, 47(4): 268-276.
[13]	王金鹤, 车志龙, 张楠, 孟凡云, 苏翠丽, 谭浩. 基于多尺度和多层级特征融合的立体匹配方法[J]. 计算机工程, 2021, 47(3): 243-248.
[14]	王金鹤, 苏翠丽, 孟凡云, 车志龙, 谭浩, 张楠. 基于非对称空间金字塔池化的立体匹配网络[J]. 计算机工程, 2020, 46(7): 228-234,242.
[15]	郭伟, 洪倩. 基于边界和中心关系的显著性检测方法[J]. 计算机工程, 2020, 46(6): 241-247.

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

改进的代价聚集快速立体匹配算法

Improved Cost Aggregation Algorithm for Fast Stereo Matching

RichHTML

PDF

可视化

被引次数

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

本文评价