图像匹配算法精要.pptx

置信度传播算法在 立体匹配中的应用 LOGO 1 2 3 4 目录 CONTENTS 贝叶斯网络 贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。基于概率推理的贝叶斯网络是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很大的优势，在多个领域中获得广泛应用。 MRF 马尔科夫随机场包含着两层意思，一个是马尔科夫性质，一个是随机场。马尔科夫性质是指一个随机变量序列按时间的顺序依次排开的时候，它在第N+1时刻的分布特性与第N时刻以前的随机变量没有任何关系。具备这种性质的问题就符合马尔科夫性质。随机场是指当给每一个位置中按照某种分布随机赋予相空间的一个值后，其全体就称之为随机场。 基本模型 贝叶斯网络 E→X T,L→E 马尔科夫随机场 图中黑色点概率分布己知的数据点，白色点为隐藏点，表示未知量。白色点的概率分布特性与它的四个直接相邻的白色点及黑色点有相互作用，而与其它不直接相邻的白色点无关。 马尔科夫随机场 状态值xi 观测值yi 状态值和观测值之间的似然函数为Фi(xi,yi) 相邻邻居节点之间的势能量为Ψij(xi,xj) 1 2 3 4 目录 CONTENTS 置信度传播算法是基于MRF模型的 置信传播算法的主要思想是，对于马尔可夫随机场中每一个节点，通过信息传递，把该节点的概率分布状态传递给相邻的节点，从而影响相邻节点的概率分布状态，经过一定次数的迭代，每一个节点的概率分布将收敛于一个稳态。 基本BP算法 定义： 边缘概率（Marginal Probability）：即某个事件发生的概率，而与其它事件无关。边缘概率为各种状态下所有其他节点对本节点影响的概率的和。 置信度：其计算方向为所有传入该点的信息与该点的本地信息的乘积。 基本BP算法 基本BP算法 针对马尔可夫随机场，己知点的值是固定值，所以在联合概率分布函数中可以把代表己知点和隐藏点的相互作用公式Фi(xi,yi)中的yi代入消去。现在包含马尔可夫场的所有隐藏点的联合概率分布函数简化为: 基本BP算法 基本BP算法 1 2 3 4 目录 CONTENTS 第一步 基本思路 通过全局能量函数对图像的平滑项进行优化 第二步 根据置信度传播算法计算全局能量函数的最小值 第三部 根据置信度的最小值获得像素点的视差值，输出视差图像 BP与stereo-matching BP与stereo-matching 构造能量函数 其中，D代表着像素本身的代价，又叫做一元势函数，V代表不同标签产生的代价，又叫做点对势函数。这个公式就是想告诉我们：一副图像的能量由每个节点的代价以及相邻节点各种标签下所产生的代价和所决定。如果我们想要这个能量函数最小化，一方面要尽可能压低各个节点的代价，另一方面，要考虑到各个节点的相互作用。 BP与stereo-matching 求解能量函数最小值 利用BP算法 1 2 3 4 目录 CONTENTS 程序代码 clear; clc; T=4;%Plots平滑模型的梯度阈值 Truncation=20;%代价函数的截断阈值 P=4;%Plots模型参数 s=10;%Plos模型参数 D=50;%parameter for converting cost into compatibility exp(-C/D) iter=50;%belief propagation 算法的迭代次数 %公共参数 %图像名 imagename = input(Input the image pairs name, imagename[fabric]: ); if isempty(imagename) imagename = fabric; end reference = imread([imagename left.png]);%参考图像左图像 disp([The reference image is: imagename left.png]); target = imread([imagename right.png]);%目标图像 disp([The target image is: imagename right.png]); 程序代码 dmax = input(Input the disparity range(the max disparity)[16]:);%最大视差值，候选视差范围从0-dmax if isempty(dmax) dmax=16;%19 end sdmax=T