《表1 燃烧性能试验结果：视差图像配准技术研究综述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《视差图像配准技术研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

当前用于图像配准的区域分割方法可大致总结为固定单元分割法[17-21]、多结构数据分割法[22-23]、基于物理平面分割法[7，11]以及基于图像表征特征分割法[24-30]四类，四类方法的特点及局限性如表1所示。其中固定单元分割法由于其灵活性高、操作简易以及对大部分场景鲁棒性较好等特点近年来得到快速发展，在其基础上衍生的基于网格变形的图像配准方法已成为一种主要配准方法。其余三类分割方法则逐渐与深度学习技术相结合，利用机器学习的优势以提升分割精度。基于多平面对齐的图像配准方法的配准精度易受平面分割精度的影响。由于平面分割的目的是通过使用相同的局部变换模型以保证各分割区域中的所有像素得到相应的变换，进而实现平面的对齐。若平面分割精度较低，部分像素可能会被误划分到错误平面，然后执行错误的变换从而产生重影等误配准现象。Zheng等人[11]对此进行了相关的实验并证实在一定范围内，平面分割的精度与图像配准精度呈正相关。此外，该配准方法的精度还易受图像视差大小的影响。随着图像间的视差的增大，部分大视差平面的变换模型可能出现单应矩阵过少、对齐能力不足情况，导致配准精度较低。此时若该部分平面分割精度较低，可通过提升分割精度细化分割一定程度提升配准精度。在实际应用中，结合考虑图像场景的内容结构与各类方法的局限性选择对应的分割方法可获得综合性能较好的算法。