图像校正和匹配作为图像处理领域的基本问题,是图像预处理过程的关键技术之一,它在医学、遥感、军事和双目立体视觉等众多工程领域有着广泛的应用。图像配准校正是将不同时间和传感器设备等不同的条件下得到的同一场景下的两幅或多幅图像进行配准、叠加的过程。目前图像校正算法使用较多的是SIFT(Scale Invariant Feature Transform)特征和随机采样一致性(Random Sample Consensus,RANSAC)算法,但是在提取SIFT特征和用RANSAC算法剔除误匹配会消耗大量的时间,剔除误匹配后仍然存在少量错误。图像立体匹配是一个经典的计算机视觉问题,它的目标是从双目相机拍摄同一场景的左、右两幅视点图像中找到匹配的对应点,运用立体匹配算法获取视差图,从而估计图像深度信息。由于摄像头本身的原因会使拍摄的左右视图发生光学畸变,因此在做立体匹配之前,必须要进行图像校正。采用传统方法或卷积神经网络(Convolutional Neural Network,CNN)方法的立体匹配,计算量较大、运行效率低,其精确度和实时性不能满足工程实际的在线应用要求。针对以上问题,本文的主要工作如下:(1)在进行图像校正与识别中,企业实际工程采用SIFT算法,提取特征过程会消耗大量的时间,运行效率低,使用RANSAC算法剔除误匹配后仍然存在少量错误,导致图像校正效果不理想。针对此问题,本文采用了SURF(Speeded Up Robust Features)特征来替代SIFT特征,大大提高了特征提取效率,加快了图像处理进程,同时采用了改进的RANSAC算法,即首先采用最近邻距离与次近邻距离的比值作为阈值来确定可能正确的匹配,再使用改进的RANSAC剔除算法,更加干净的剔除误匹配,提高了校正的精度。(2)为了进一步提高工程应用中图像校正的运行效率和校正精度,因此本文提出一种基于ORB(Oriented FAST and Rotated BRIEF)特征和运动一致性算法实现图像校正,首先提取ORB特征,使用汉明距离进行初始匹配,然后采用运动一致性算法剔除错误匹配,再使用拓扑约束项对顽固误匹配进行剔除,最后利用RANSAC算法计算出变换矩阵H,从而完成图像的校正。实验结果表明,与SIFT算法和SURF算法相比,该算法不仅特征检测和匹配速度较快,计算资源消耗较少,且具有很好的鲁棒性。(3)针对传统方法或CNN方法的立体匹配,其精确度和实时性不能满足工程实际在线应用要求等问题,本文提出一种实时自适应的立体匹配网络算法,通过引入一种新的轻量级的、有效的结构模块自适应立体匹配网络(Modularly Adaptive Stereo Network,MASNet),在网络中嵌入无监督损失模块和残差细化模块,使立体匹配的准确性和实时性得到提高。实验结果表明,本文方法相比具有相似复杂度的模型,精确度更高,并且能以平均约25帧每秒的处理速度达到工程实际在线使用的要求。