Increasing the efficiency of disparity computation by interpolation

Tässä diplomityössä tutkitaan dispariteettikartan laskennan tehostamista interpoloimalla. Kolmiomittausta käyttämällä stereokuvasta muodostetaan ensin harva dispariteettikartta, jonka jälkeen koko kuvan kattava dispariteettikartta muodostetaan interpoloimalla. Kolmiomittausta varten täytyy tietää samaa reaalimaailman pistettä vastaavat kuvapisteet molemmissa kameroissa. Huolimatta siitä, että vastaavien pisteiden hakualue voidaan pienentää kahdesta ulottuvuudesta yhteen ulottuvuuteen käyttämällä esimerkiksi epipolaarista geometriaa, on laskennallisesti tehokkaampaa määrittää osa dispariteetikartasta interpoloimalla, kuin etsiä vastaavia kuvapisteitä stereokuvista. Myöskin johtuen stereonäköjärjestelmän kameroiden välisestä etäisyydestä, kaikki kuvien pisteet eivät löydy toisesta kuvasta. Näin ollen on mahdotonta määrittää koko kuvan kattavaa dispariteettikartaa pelkästään vastaavista pisteistä. Vastaavien pisteiden etsimiseen tässä työssä käytetään dynaamista ohjelmointia sekä korrelaatiomenetelmää. Reaalimaailman pinnat ovat yleisesti ottaen jatkuvia, joten geometrisessä mielessä on perusteltua approksimoida kuvien esittämiä pintoja interpoloimalla. On myöskin olemassa tieteellistä näyttöä, jonkamukaan ihmisen stereonäkö interpoloi objektien pintoja.

This master's thesis studies the use of interpolation for increasing the efficiency of disparity calculation. Using triangulation a sparse disparity map is calculated, after which a dense disparity map covering the whole image is formed using interpolation. For triangulation image points in both the cameras representing the same real world point are needed. In spite of the fact, that the search space for the corresponding points can be reduced from two dimensions to one dimension using, for example, epipolar geometry, computationally it is more efficient to define part of the disparity map using interpolation. Also due to the distance between the cameras, some points seen in the other image are occluded in the other and thus it is impossible to define the disparity for these points usingonly correlation. In this work, dynamic programming and correlation methods areused for searching corresponding points. Object surfaces in the real world are normally continuous, so in geometrical sense it is justified to approximate surfaces present in the images using interpolation. There is alsoscientific evidence, that the human stereo vision also interpolates surfaces.