王玉琴;李鹤元
【摘 要】谢赫基于“天绘一号”卫星前、正、后视线阵立体影像，综合全局、局部匹配算法优劣特性，提出了半全局互信息匹配算法模型，以逐像素的互信息作为匹配基元，按照能量函数最小化原则进行整体匹配，采用金字塔和多基线的匹配策略，实现了DSM的快速获取。试验结果表明，该方法应用于天绘一号卫星影像地表模型三维重建，宏观地形表现完整，破碎地形表达准确，取得了较好的效果。%In this paper,for three-linear array stereo-imagery of Mapping Satellite -1 ,semi-global matc-hing algorithm based on mutual information is researched and used in three-dimensional reconstruc-tion. The pyramid and multiple-baseline matching strategy is adopted and mutual informationof per-pixel is regarded as matching unit and full matching is realized,according to the principle of energy function mini-mization. The experimental results show that the proposed method can accurately realize three-dimensional reconstruction for Mapping Satellite-1 imagery.
【期刊名称】《林业资源管理》
【年(卷),期】2016(000)004
【总页数】6页(P134-139)
【关键词】影像匹配;半全局;互信息;三维重建
【作 者】王玉琴;李鹤元
广州木偶艺术中心【作者单位】中国人民解放军61206部队，北京 100088;测绘信息技术总站，西安710054
【正文语种】中 文
【中图分类】TP79
地表三维重建中最重要的内容便是影像立体匹配。立体匹配方法的有效性依赖于3个问题的解决:选择正确的匹配基元、寻特征之间的本质属性及建立能正确匹配所选特征的稳定算法。围绕这3个问题,目前研究者已提出大量各具特的匹配算法:一是采用全局约束策略来实现全局优化的立体匹配算法；二是采用局部方法实现局部最优的立体匹配算法[1]。全局匹配算法在对待噪声、重复纹理以及遮挡方面,表现出,但运算量大且耗时较长,且容易形
成因遮挡和一致性纹理造成的局部匹配失败；局部匹配算法能够突显影像高纹理部分视差,但是在低纹理部分会产生较多的错误匹配,且前景膨胀效应会使得边界模糊。 天绘一号卫星线阵影像基高比大,视角宽,既需要高速高效的匹配运算,从而生成大面积DSM用于构建高精度地表三维模型,又需要高度一致的场景联系、较少的匹配错误和较好的噪声鲁棒性。因此,本文综合全局和局部两种匹配算法优点,结合天绘地球地表模型匹配重建,优化设计了半全局互信息匹配算法,实现了去歧义匹配和抗干扰去噪,实现了宏观地形和破碎地貌DSM高精度和高靠性获取。
本文提出的半全局算法以影像重采样后的核线影像影像匹配,来仿真实现二维影像的全局匹配优化,基本思想是使用多个方向的一维的平滑约束来近似一个二维的平滑约束,算法的关键是将匹配问题转化为一个关于视差的最小化能量函数的问题。
互信息是信息理论中的一个基本概念,主要描述两个系统间的统计相关性。本文将互信息引用到天绘一号两幅相关影像,并从两幅图像获得信息熵、联合熵[1]。库存管理系统
式中：(i,k)为对应匹配点的灰度,PI为每个影像灰度的概率分布,P(I1,I2)为立体影像的联合分中小企业erp
布,g(i,k)表示二维高斯卷积运算,h(I1,I2)(i,k)为相应灰度值联合概率分布进行二维高斯卷积的结果,miI1,I2(I,K)即为两幅影像对应灰度值为(I,K)像素的互信息。
五年计划
互信息是采用逐像素的匹配代价。这同传统的局部匹配方法是完全不同的,局部匹配主要以待匹配点为中心窗口,通过比较窗口内灰度的相似性确定同名点,窗口面积越大,匹配的鲁棒性越大。这种方法的主要缺陷是假设匹配窗口内的视差是恒定的,但这种假设与实际并不相符,实际应用造成的后果是模糊对象边界和精细结构不连续性。因此要精细重建三维必须舍弃匹配点附近的恒定视差假设。这意味着只有对应像素的灰度本身可用于计算匹配成本。
半全局匹配算法的核心是建立一个依赖于视差图像D的能量函数E(D)[2-3]:
当一个匹配使得所有匹配点对应的的匹配代价和为最小时得到最佳匹配。但在实际情况中,基于逐像素点的匹配代价并不能完全正确地反映两幅图像中两个点匹配的正确性；比如噪声、大范围的相似区域等,其结果是错误匹配的代价常常会小于正确匹配代价,从而影响算法在该点的深度估计。并且在全局算法尤其是动态规划算法的框架下,这样的错误匹配代价的估算往往会影响到周围点的深度估计,进而将错误扩散[1]。因此,在半全局匹配方法中,必须增加一些额外的平滑约束到能量的定义中,这种约束通常是采用对深度或者灰度的变化的惩
罚,以抑制噪声对匹配结果的影响,其16个方向的一维路径动态规划的算法使得结果更加可靠,由此对噪声表现出了鲁棒性。
式(6)右侧第一项表示所有像素点的匹配代价之和。对于像素点p与其邻域Np的像素点代表的地面高度有较小变化和较大变化两种情况,第二项和第三项分别用系数P1和P2进行了惩罚,这里函数T[]为真则为1,否则为0。实质上,第二项和第三项便是平滑约束,它们要求相邻的像素点的深度值尽可能地一致,即保持平滑,显然P1<P2。由此带来另一个问题,这样的平滑约束会在一些第五边缘高度变化剧烈的区域强迫高度保持不变,这样往往会引起地物边界的模糊化。本文解决的方法是在确定P2时考虑灰度的变化:
这是由于场景中正确的高度变化常常表现为图像灰度变化,在这样的区域应该减小对于高度变化的惩罚。因此应用公式(7)将灰度变化值作为分母加入到P2的计算公式中,这样就能够避免对于正常的高度变化产生过大的惩罚系数。
化石的资料
对于一副二维图像,由于寻公式(6)的全局最小值问题,已被证明是NP完全问题,直接求解是不现实的。但是一维路径上的能量最小化问题可以使用动态规划的方法高效地实现,由此可采用平等地对待多个一维路径的思路,合并它们的结果来近似实现二维的情况。本文采用沿
着16个方向(如图1所示)的一维路径,按照动态规划的思想进行计算:
第一项即对像素点p赋予深度d的匹配代价,第二项是当前路径上p的上一个点p-r的包含了惩罚系数的最小匹配代价。第三项对最优路径的产生没有施加影响,加入这一项的目的仅仅是为了防止L过大,使得L≤Cmax+P2。
最终,各个方向的代价被累加成为总的匹配代价:
在得到所有像素点的所有可能视差的匹配代价S(p,d)之后,可以得到一个完整的匹配代价空间。对于左像视差图D1的确定便是一个简单的比较过程:对于每一个像素点p,dfinal=mindS(p,d)即为满足能量函数最小的视差。尽管在计算匹配代价的时候,对左像和右像的计算步骤并不是完全相同,但仍可以根据S(p,d)来估算右像的视差图D2:对于右像中的每个像素点q以及可能的深度d,首先在左图中寻对应点p(q,d),然后根据该点的匹配代价选择深度:
1) 一致性检测
经过上述计算过程便得到了初步的视差图,这样的视差图通常存在两种错误。首先是遮挡,由
于半全局算法是基于动态规划的,在这样的区域无法给出正确值,并且由于平滑约束的存在,往往在这些区域误用了邻近区域的深度值；其次就是任何算法都无法避免的错误匹配。遮挡和错误匹配的存在破坏了匹配的一致性,因此需要一种方法来检测遮挡与错误[4-5]。
本文把经过处理的左像和右像的视差图作为判断遮挡和错误匹配的依据,即进行一致性的检查。这个过程是通过比较算法输出的匹配点对的视差来进行的,若两者差别超过阈值则不接受算法输出的视差并设为不可用点。实质上这样的一致性检查保证了唯一性约束,因为使得左像与右像有效的像素点是一对一映射的,并且提供了有效地检查遮挡和错误匹配的一种方法。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议