摘  要： 為了提高立體匹配算法的精確度，提出了一種結合圖割與Mean Shift圖像分割的立體匹配算法。首先用Mean Shift算法對參考圖像進行圖像分割，得到分割后的標記圖，然后將分割信息結合到圖割算法的能量函數中，最后用改進的能量函數和圖割算法得出致密的視差圖。實驗結果表明，提出的算法具有更高的精確度和更好的邊緣特征。
關鍵詞： 立體匹配；圖割；Mean Shift；視差

　立體匹配是計算機視覺中的一個研究熱點，是立體視覺中最關鍵的步驟之一。目前常見的立體匹配算法分為局部算法和全局算法。局部算法從局部（如以像素為中心的窗口）得出視差，這類算法運算量小，但精確度不高。全局算法將能量最小化思想引入到立體匹配中，首先定義一個能量評價函數，然后通過全局優化算法實現能量最小化，進而確定最終的匹配結果。這類算法精確度較高，但運算量大。ROY和COX首次將圖割方法引入到立體匹配算法中[1]，用圖割法實現能量最小；BOYKOV Y等提出了?琢-?茁交換和?琢擴張兩種有效的基于圖割的算法[2]，通過多次對以兩種標記建立的圖求最小割，達到了求全局最小能量的目的，而且簡化了算法復雜度，提高了運算速度；KOLMOGOROV改進了網絡的構造方法[3]，提出了基于二值變量的圖的構造，考慮了多種情況的鄰接邊，提高了算法速度，并達到了很好的精確度。由于圖割算法具有處理組合優化問題的良好性能，使視差圖的質量得到了明顯的提高[4]。BLEYER等提出基于圖像分割的立體匹配算法框架[5]，圖像分割充分利用彩色圖像的顏色信息將圖像分割成不同區域，有效地克服了視差圖邊界模糊問題，較好地處理了大的低紋理區域。
    本文將圖割算法與Mean Shift圖像分割算法相結合，并應用到立體匹配中，得到了一種效果良好的立體匹配算法。首先用Mean Shift算法對圖像進行分割，然后將分割信息加入到能量函數中，再根據能量函數構建圖，最后用擴張算法迭代地求出最小割。實驗結果表明，該算法結合了兩種算法的優點，實現了更高的匹配精確度。

　本文提出了一種基于圖割與Mean Shift圖像分割算法的立體匹配算法，在圖割算法的基礎上構造了新的能量函數，融入經Mean Shift圖像分割后的信息，根據新的能量函數構建基于二值變量的圖，用α擴張算法迭代地求出最終視差。實驗結果表明，該算法有效提高了算法的精確度，且視差圖的邊緣特征更好。
參考文獻
[1] ROY S， COX I. A maximum-flow formulation of the N-camera stereo correspondence problem[C].  Proceedings of International Conference Computer Vision， 1998： 492-499.
[2] BOYKOV Y， VEKSLER O， ZABIH R. Fast approximate energy minimization via graph cuts[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2001， 23（11）：1222-1239.
[3] KOLMOGOROV V， ZABIH R. Multi-camera scene reconstruction via graph cuts[A]. European Conference on Computer Vision， 2002，3：82-96.
[4] BOYKOV Y， KOLMOGOROV V. An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2004，26（9）：1124-1137.
[5] BLEYER M， GELAUTZ M. Graph-cut-based stereo matching using image segmentation with symmetrical treatment of occlusions[J]. Signal Processing： Image Communication，2007，22（2）：127-143.
[6] http：//vision.middlebury.edu/stereo/.2011-01-01.