《OpenCV-python学习》第四章 深度估计与分割

4.1深度摄像头

深度图：是灰度图，每个像素值是摄像头到物体表面之间距离的估计值
点云图：xyz
视差图：是灰度图，每个像素值代表物体表面的立体视差。立体视差：从不同角度观察同一场景得到的两张图像叠放在一起，度量两幅图像相互对应的两个像素点之间的距离，即为立体视差。近距离的物体会产生较大的立体视差，远距离的会小一些，因此近距离的物体在视差图中会更明亮些。
有效深度掩模：表明给定的像素的深度信息是否有效。（非零有效，零值无效）
np.median（数组）：获取中位值
np.where（条件；为真的输出；为假的输出）

4.2立体视觉

极几何，跟踪从摄像头到图像上每个物体的虚线，对第二幅图像（相同距离下拍摄的）同样操作，根据对同一个物体对应的交叉来计算距离。
创建StereoSGBM()实例，用compute()计算，从二维图片中得到三维信息。

4.3物体分割

GrabCut算法：在图片中定义含有物体的矩形；矩形外的区域被自动认为是背景；对于用户自定义的矩形区域，可用背景中的数据来区别它里面的前景和背景区域；用高斯混合模型（GMM）来对前景和背景建模，并将未定义的像素标记为可能的前景或背景；根据像素与周围像素颜色的相似性，每个像素可看作通过虚拟边与周围像素相连接，每条边都有一个属于前景或背景的概率；每个像素与一个前景点后背景点相连，若节点之间的边属于不同终端，则切断他们之间的边，得到图像的分割。
分水岭算法：把图像中低密度的区域（变化少）想象成山谷，高密度区域（变化多）想象成山峰，向山谷注入水直到不同的山谷的水开始汇聚。为阻止不同山谷的水汇聚，可以设置一些栅栏，所得到的栅栏即为图像分割。
转灰度图–>二值化–>去噪声–>膨胀（获取背景）–>distanceTransform(）根据背景设置阈值获取前景–>背景与前景相减获得重合部分–>connectedComponents(前景)获取栅栏–>watershed()