1、实验需求从理论角度，分析以窗口代价计算视差的原理实现NCC 视差匹配方法，即给定左右两张视图，根据NCC计算视差图分析不同窗口值对匹配结果的影响，重点考查那些点（或者哪些类型的点）在不同窗口大小下的匹配精度影响2、语言和平台语言：python2.7.13 （anaconda2）平台：pycharm 2018.23、实验原理极线校正关于几何原理见上一篇博客https://...
1、实验需求
- 从理论角度，分析以窗口代价计算视差的原理
- 实现NCC 视差匹配方法，即给定左右两张视图，根据NCC计算视差图
- 分析不同窗口值对匹配结果的影响，重点考查那些点（或者哪些类型的点）在不同窗口大小下的匹配精度影响
2、语言和平台
语言：python2.7.13 （anaconda2）
平台：pycharm 2018.2
3、实验原理
计算视差图
在该立体重建算法中，我们将对于每个像素尝试不同的偏移，并按照局部图像周围归一化的互相关值，选择具有最好分数的偏移，然后记录下该最佳偏移。因为每个偏移在某种程度上对应于一个平面，所以该过程有时称为扫平面法。虽然该方法并不是立体重建中最好的方法，但是非常简单，通常会得出令人满意的结果。
当密集地应用在图像中时，归一化的互相关值可以很快地计算出来。我们使用每个像素周围的图像块（根本上说，是局部周边图像）来计算归一化的互相关。对于这里的情形，我们可以在像素周围重新写出公式（2.3）中的 ncc，如下所示
n c c ( p , d ) = ∑ ( x , y ) ∈ W p ( I 1 ( x , y ) − I 1 ‾ ( p x , p y ) ) ( I 2 ( x + d , y ) − I 2 ‾ ( p x + d , p y ) ) ∑ ( x , y ) ∈ W p ( I 1 ( x , y ) − I 1 ‾ ( p x , p y ) ) 2 ∑ ( x , y ) ∈ W p ( I 2 ( x + d , y ) − I 2 ‾ ( p x + d , p y ) ) 2 ncc(p,d)=\frac {\sum_{(x,y)∈W_p}^{} {(I_1(x,y)-\overline{I_1}(p_x,p_y))(I_2(x+d,y)-\overline{I_2}(p_x+d,p_y))}} {\sqrt {\sum_{(x,y)∈W_p}^{} {(I_1(x,y)-\overline{I_1}(p_x,p_y))^2}\sum_{(x,y)∈W_p}^{} {(I_2(x+d,y)-\overline{I_2}(p_x+d,p_y))^2}}} ncc(p,d)=∑(x,y)∈Wp(I1(x,y)−I1(px,
最低0.47元/天 解锁文章
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
