Реферат: 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 = SxeR |F(x+h)-G(x)|
норма L2 = (SxeR [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 similarity 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.