Задача поиска однозначных точек на изображениях, составляющих стереопару имеет большое значение и активно исследуется в настоящее время.

Синтез алгоритма стереоотождествления (поиска одинаковых точек) (matching algorithm)

Реферат

Задача поиска однозначных точек на изображениях, составляющих стереопару имеет большое значение и активно исследуется в настоящее время. Данная задача имеет большое практическое значение для использования в системе построения ЦМР по космическим снимкам среднего и высокого разрешения. Космические снимки обладают рядом особенностей: большой размер, невысокое значение отношения сигнал/шум. Размерность задачи накладывает особые требования на вычислительную сложность алгоритма. Предложены критерии для синтеза алгоритма стереоотождествления позволяющие минимизировать вычислительную сложность. Алгоритм стереоотождествления может быть оптимизирован по следующим критериям: минимальная сложность функции, задающей меру близости двух изображений, объем перебора при поиске наилучшего соответствия двух изображений, стартегия поиска. В качестве стандартных мер близости используют различные нормы

норма L1 = xRF(x+h)-G(x)

норма L2 = (xRF(x+h)-G(x)]2)1/2

нормализованная кросс-корреляция

Минимальной вычислительной сложностью обладает норма L1.

Для минимизации объема перебора при поиске решения возможно использование алгоритма SSDA sequential similarit

y detection algorithm (SSDA) , который только оценивает ошибку для каждого вектора диспаратности. Однако использование алгоритма SSDA не позволяет принять решение о приемлимости найденного решения. Для этого используется функция нормализованной кросс-корреляции, позволяющая по значению коэффициента корреляции судить о достоверности решения. При этом значение функции вычисляется только для небольшого окна оценки, что уменьшает вычислительные затраты. Для большого количества задач требуется субпиксельная точность. Рассмотрены три способа субпиксельного уточнения: аппроксимация параболоидом, адаптивная субпиксельная кросс-корреляция(adaptive subpixel cross-correlation), адаптивная корреляция методом наименьших квадратов (Adaptive Least Squares Correlation). Для синтеза алгоритма используется адаптивная корреляция методом наименьших квадратов (Adaptive Least Squares Correlation), обладающая по сравнению с адаптивной субпиксельной кросс-корреляция(adaptive subpixel cross-correlation) меньшей вычислительной сложностью и большей точностью по сравнению с аппроксимацией параболоидом. Предложен метод, позволяющий путем введения геометрических ограничений оптимизировать размер окна поиска. Приведены результаты экспериментов на реальных космических снимках. Оценены ошибки измерений в сравнении со стандартным методом нормализованной кросс-корреляции.