摘  要： 为了提高立体匹配算法的精确度，提出了一种结合图割与Mean Shift图像分割的立体匹配算法。首先用Mean Shift算法对参考图像进行图像分割，得到分割后的标记图，然后将分割信息结合到图割算法的能量函数中，最后用改进的能量函数和图割算法得出致密的视差图。实验结果表明，提出的算法具有更高的精确度和更好的边缘特征。
关键词： 立体匹配；图割；Mean Shift；视差

　立体匹配是计算机视觉中的一个研究热点，是立体视觉中最关键的步骤之一。目前常见的立体匹配算法分为局部算法和全局算法。局部算法从局部（如以像素为中心的窗口）得出视差，这类算法运算量小，但精确度不高。全局算法将能量最小化思想引入到立体匹配中，首先定义一个能量评价函数，然后通过全局优化算法实现能量最小化，进而确定最终的匹配结果。这类算法精确度较高，但运算量大。ROY和COX首次将图割方法引入到立体匹配算法中[1]，用图割法实现能量最小；BOYKOV Y等提出了?琢-?茁交换和?琢扩张两种有效的基于图割的算法[2]，通过多次对以两种标记建立的图求最小割，达到了求全局最小能量的目的，而且简化了算法复杂度，提高了运算速度；KOLMOGOROV改进了网络的构造方法[3]，提出了基于二值变量的图的构造，考虑了多种情况的邻接边，提高了算法速度，并达到了很好的精确度。由于图割算法具有处理组合优化问题的良好性能，使视差图的质量得到了明显的提高[4]。BLEYER等提出基于图像分割的立体匹配算法框架[5]，图像分割充分利用彩色图像的颜色信息将图像分割成不同区域，有效地克服了视差图边界模糊问题，较好地处理了大的低纹理区域。
    本文将图割算法与Mean Shift图像分割算法相结合，并应用到立体匹配中，得到了一种效果良好的立体匹配算法。首先用Mean Shift算法对图像进行分割，然后将分割信息加入到能量函数中，再根据能量函数构建图，最后用扩张算法迭代地求出最小割。实验结果表明，该算法结合了两种算法的优点，实现了更高的匹配精确度。

　本文提出了一种基于图割与Mean Shift图像分割算法的立体匹配算法，在图割算法的基础上构造了新的能量函数，融入经Mean Shift图像分割后的信息，根据新的能量函数构建基于二值变量的图，用α扩张算法迭代地求出最终视差。实验结果表明，该算法有效提高了算法的精确度，且视差图的边缘特征更好。
参考文献
[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.