立體匹配演算法分類

區域匹配演算法即為影像上利用移動視窗的方式進行區塊灰度(Gray Value) 之比較，利用此方式來進行兩張影像之匹配動作，於領域中最佳之區域匹配演算 法莫非為最小二乘法匹配，以下介紹基礎匹配原則。

首先輸入兩幅立體影像I 與_l I ，假設_r P 與_l P 分別為這兩幅影像中的 pixel_r

區域匹配演算法的目的是獲取緻密的深度圖，適用於滿足以下條件的立體視 覺問題：光源可理想化為無窮遠處的點光源；場景中的物體表面為完全漫反射；

影像對之間的幾何畸變和輻射畸變很小。區域匹配演算法的實質是利用了局部視 窗之間灰度資訊的相關程度，此方法在地勢平坦而紋理豐富的地方可以達到比較 高的精度，並能取得緻密的視差場。此外，匹配的理論精度還可預先計算出來。

但是，區域匹配選取一定大小窗口內的灰度分佈特性作為匹配基元，決定了該類 演算法具有以下缺陷。

（1）對仿射畸變和輻射畸變較敏感；

（2）對影像雜訊的影響和不同灰度屬性或對比度差異的影響缺乏魯棒性；

（3）匹配視窗大小難以選擇。視窗選擇過大，在前景背景交接區域會出現 誤

匹配，選擇過小，區域內的灰度分佈特性不能得以充分展現。

2.4.2 特徵匹配演算法

利用特徵進行影像匹配為最近期熱門之話題，已往通常認為利用特徵之方式 進行匹配效果並不好，而特徵匹配之特點就是運算效率會比區域匹配快很多，而 最近相關研究證明如SIFT 演算法等都是利用特徵的方式進行匹配，利用特徵方 式進行匹配已經有非常好的配準率與速度，本研究所採用SIFT 演算法最大的特 點。

所謂的影像特徵，有字面上來定義就是在影像上之特徵點位如特徵點、特徵 線、特徵形狀、等利用這些影像特徵的提取在搭配適當之匹配演算法，成為特徵 匹配演算法之最重要過程。

點特徵是特徵匹配中常用到的影像特徵之一，其主要應用的是影像中角點。

影像中角點在電腦視覺、模式識別以及影像匹配領域都有非常廣泛的應用，因而 針對角點檢測的演算法也有很多。角點的立體匹配演算法的主要思路是：首先在 兩幅影像中分別提取角點，再以不同的方法建立兩幅影像中角點的相互關聯，從 而確立共軛點，最後以共軛點作為控制點確定影像之間的匹配轉換。由於角點的 提取已經有了相當多的方法可循，因此基於角點的匹配演算法最困難的問題在於 如何建立兩幅影像之間共軛點的匹配問題。常用的解決點匹配問題的方法包括鬆 弛法，相對距離直方圖聚集束檢測法，Hausdorff 距離及相關方法等等。此些方 法均檢測角點要求比較苛刻，如要求同樣多的數目，簡單的轉換關係等，因而不 能適應普遍的匹配應用。

直線段是影像中另一個易於提取的特徵。Hough 轉換是提取影像中直線的 有效方法。Hough 轉換可以將原始影像中給定形狀的曲線或直線轉換到轉換空

間的一個點位置，它使得原始影像中給定形狀的曲線或直線上所有的點都集中到 轉換域上的某一個點位置，從而形成峰值。這樣，原影像中的直線或曲線的檢測 問題就變成尋找轉換空間中的峰值點問題。正確地建立兩幅影像中分別提取的直 線段的對應關係依然是該方法的重點和難點。綜合考慮直線段的斜率和端點的位 置關 系可以構造一個這些資訊指標的直方圖，並通過尋找直方圖的聚集束達到 直線段 的匹配。

近十幾年來，隨著影像分割、邊緣檢測等技術的發展，基於邊緣輪廓和區域 的影像匹配方法逐漸成為匹配領域的研究焦點。影像分割(Image Segmentation) 和邊緣檢測(Edge Detection)技術是這類方法的基礎，目前已提出的有很多影像分 割方法可以用來做影像匹配需要的邊緣輪廓和區域的檢測，例如 Canny 邊緣提 取運算元、拉普拉斯—高斯運算元 LoG、動態門檻值技術、區域增長等等。儘 管方法很多且各具特點，但並沒有任何一種方法能對所有種類的影像都能獲得最 佳效果，大多數的分割技術仍然依賴於影像本身內容。