python 立体匹配算法_OpenCV3.4两种立体匹配算法效果对比

以OpenCV自带的Aloe图像对为例：

 

  

1.BM算法(Block Matching)

参数设置如下：

int numberOfDisparities = ((imgSize.width / 8) + 15) & -16;

cv::Ptr<:stereobm> bm = cv::StereoBM::create(16, 9);

cv::Rect roi1, roi2;

bm->setROI1(roi1);

bm->setROI2(roi2);

bm->setPreFilterCap(31);

bm->setBlockSize(9);

bm->setMinDisparity(0);

bm->setNumDisparities(numberOfDisparities);

bm->setTextureThreshold(10);

bm->setUniquenessRatio(15);

bm->setSpeckleWindowSize(100);

bm->setSpeckleRange(32);

bm->setDisp12MaxDiff(1);

bm->compute(imgL, imgR, disp);

效果如下：

BM算法得到的视差图(左)，空洞填充后得到的视差图(右)

2.SGBM(Semi-Global Block matching)算法:

参数设置如下：

enum { STEREO_BM = 0, STEREO_SGBM = 1, STEREO_HH = 2, STEREO_VAR = 3, STEREO_3WAY = 4};int numberOfDisparities = ((imgSize.width / 8) + 15) & -16;

cv::Ptr<:stereosgbm> sgbm = cv::StereoSGBM::create(0, 16, 3);

sgbm->setPreFilterCap(63);int SADWindowSize = 9;int sgbmWinSize = SADWindowSize > 0 ? SADWindowSize : 3;

sgbm->setBlockSize(sgbmWinSize);int cn =imgL.channels();

sgbm->setP1(8 * cn*sgbmWinSize*sgbmWinSize);

sgbm->setP2(32 * cn*sgbmWinSize*sgbmWinSize);

sgbm->setMinDisparity(0);

sgbm->setNumDisparities(numberOfDisparities);

sgbm->setUniquenessRatio(10);

sgbm->setSpeckleWindowSize(100);

sgbm->setSpeckleRange(32);

sgbm->setDisp12MaxDiff(1);int alg =STEREO_SGBM;if (alg ==STEREO_HH)

sgbm->setMode(cv::StereoSGBM::MODE_HH);else if (alg ==STEREO_SGBM)

sgbm->setMode(cv::StereoSGBM::MODE_SGBM);else if (alg ==STEREO_3WAY)

sgbm->setMode(cv::StereoSGBM::MODE_SGBM_3WAY);

sgbm->compute(imgL, imgR, disp);

效果如图：

SGBM算法得到的视差图(左)，空洞填充后得到的视差图(右)

可见SGBM算法得到的视差图相比于BM算法来说，减少了很多不准确的匹配点，尤其是在深度不连续区域，速度上SGBM要慢于BM算法。OpenCV3.0以后没有实现GC算法，可能是出于速度考虑，以后找时间补上对比图，以及各个算法的详细原理分析。

后面我填充空洞的效果不是很好，如果有更好的方法，望不吝赐教。

preFilterCap()匹配图像预处理

两种立体匹配算法都要先对输入图像做预处理，OpenCV源码中中调用函数 static void prefilterXSobel(const cv::Mat& src, cv::Mat& dst, int preFilterCap)，参数设置中preFilterCap在此函数中用到。函数步骤如下，作用主要有两点：对于无纹理区域ÿ