Wie kann ich die dichte Disparitätskarte aus Stereobildern berechnen?

Question

Wie kann ich die Karte mit dichter Disparität aus Stereobildern berechnen?

Meine Idee war bisher, über alle Pixel aus dem ersten Bild zu gehen und das zweite Bild nach Übereinstimmungen zu scannen. Um die Ähnlichkeit zweier Pixel zu vergleichen, berechnete ich den quadratischen Unterschied der Pixel in einem kleinen Fenster um sie herum. Der Algorithmus funktioniert relativ gut auf synthetischen Bildern, aber auf Bildern, die Reflexionen enthalten oder größere Unterschiede in der Lichtintensität aufweisen. Welchen Ansatz sollte ich verwenden, um bessere Ergebnisse zu erzielen?

Master der Bildverarbeitung, bitte teilen Sie Wissen.

Answer 1

Ich fand diese auf eine Methode zum Berechnen einer dichte Disparity Map schreiben, und wenn Sie den Links folgen, können Sie die PDF-Methode zur Beschreibung ihrer Methode im Detail erhalten. Leider beinhaltet meine Erfahrung in der Bildverarbeitung keine Stereoskopie, daher kann ich die Qualität des vorgestellten Algorithmus nicht beurteilen.

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

Ich werde meine Texte für weiteres Material zu diesem Thema überprüfen.

Edit: Ich schaute durch die Bücher, die ich habe und "Computer Vision" von Linda G. Shapiro und George C. Stockman hat eine ~ 10 Seite Erklärung der Mathematik hinter Stereoskopie, wenn Kamera und Bildorientierung bekannt ist, und zeigt zu einem Abschnitt über Korrelation, um allgemeine Merkmale zwischen Stereobildern zu finden, aber nichts über Disparitätsabbildung.

Answer 2

Eine beliebte und effektive Möglichkeit, Disparitäten zu berechnen, sind Grafikschnitte. Im Wesentlichen wird ein Graph aus zwei Bildern erstellt und dann so geschnitten, dass die Energie minimiert wird, die sich aus Tiefensprüngen im Bild ergibt. Ramin Zabih an der Cornell hat viele Papiere zum Thema:

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

I "Fast Ungefähre Energieminimierungs über Graph Cuts" als Übersicht vor.

Answer 3

Otto-Chau Stereo-Matching-Algorithmus ist sehr effektiv und kombiniert adaptive Least-Squares-Patch Anpassung mit Subpixel-Genauigkeit zusammen mit Bereich über die abgeglichenen Bilder wächst:

Otto, GP, Chau, TKW, 1989. ' Region-growing 'Algorithmus zum Abgleich von Geländebildern. Image Vision Computing, 7 (2), S. 83-94.

Es handelt sich um einen bereichsbasierten Ansatz, der sich in gewissem Maße auf angemessene Mengen an Textur in den Bildern verlässt. Wenn Sie sehr sparsame Bilddaten haben, könnte ein Feature-basierter Ansatz besser funktionieren, vielleicht ergänzt durch den adaptiven LS-Abgleich für Genauigkeit. Korrelationsansätze sind leicht zu implementieren und können schnell sein, aber weil sie affines Warping zwischen Bildern nicht berücksichtigen, sind sie oft nicht so robust oder genau wie ALS-Techniken, die ein Newton-Raphson-Schema verwenden, um eine Anzahl von Warping- und radiometrische Parameter, um eine wirklich gute Anpassung von Bild zu Bild zu erreichen.