Как я могу вычислить плотную карту несоответствия от стереоизображений?

Question

Как я могу вычислить плотную карту несоответствия от стереоизображений?

Моей идеей до сих пор было прохождение всех пикселей с первого изображения и сканирование второго изображения для совпадений. Чтобы сравнить сходство двух пикселей, я вычислил квадрат разности пикселей в маленьком окошке вокруг них. Алгоритм работает относительно хорошо на синтетических изображениях, но сбой на изображениях, содержащих отражения, или имеет большие различия в интенсивности света. Какой подход следует использовать для получения лучших результатов?

Мастера обработки изображений, пожалуйста, поделитесь своими знаниями.

Answer 1

Я нашел эту запись для метода расчета плотной карты несоответствия, и если вы будете следовать ссылкам, вы можете получить PDF, описывающий их метод подробно. К сожалению, мой опыт обработки изображений не включает в себя стереоскопию, поэтому я не могу прокомментировать качество представленного алгоритма.

http://serdis.dis.ulpgc.es/~lalvarez/research/demos/StereoFlow/

Я проверить мои тексты для каких-либо дополнительных материалов по этому вопросу.

Редактировать: Я просмотрел книги, которые у меня есть, и «Компьютерное зрение» Линды Г. Шапиро и Джорджа К. Штокмана имеет 10-страничное объяснение математики за стереоскопией, когда известна ориентация камеры и изображения, а также точки к разделу о корреляции, чтобы найти общие черты между стереоизображениями, но ничего не отображающее.

Answer 2

Популярный и эффективный способ расчета различий включает графы. По существу, граф создается из двух изображений, а затем разрезается таким образом, чтобы минимизировать энергию, которая возникает из-за разрывов в глубине изображения. Рамин Zabih в Корнельском есть много статей на эту тему:

http://www.cs.cornell.edu/~rdz/graphcuts.html

я предлагаю «Fast Примерное Energy Минимизация с помощью Graph Cuts» в качестве обзора.

Answer 3

Алгоритм стерео согласования Otto-Чау является очень эффективным и сочетает в себе адаптивное наименьших квадратов согласования заплатки с точностью субпикселя вместе с регионом перерастание совмещенных изображений:

Отто, ГП, Чау, TKW, 1989. ' Алгоритм определения региона для сопоставления ландшафтных изображений. Image Vision Computing, 7 (2), с. 83-94.

Это подход, основанный на области, так что он полагается на достаточное количество текстур в изображениях. если у вас очень редкие данные изображения, подход, основанный на характеристиках, может работать лучше, возможно, дополненный адаптивным совпадением LS для точности. Корреляционные подходы легко реализовать и могут быть быстрыми, но поскольку они не учитывают аффинное деформирование между изображениями, они часто не столь надежны или точны, как методы ALS, которые используют схему Ньютона-Рафсона, чтобы свести к минимуму количество искажений и радиометрические параметры, чтобы получить действительно хорошую форму от изображения к изображению.