python 立体匹配算法_【视觉-立体视觉】全局匹配算法SGBM实现(含动态规划DP)详解...

最近一直在学习SGBM算法,作为一种全局匹配算法,立体匹配的效果明显好于局部匹配算法,但是同时复杂度上也要远远大于局部匹配算法。算法主要是参考Stereo Processing by Semiglobal Matching and Mutual Information,里面有讲完整的算法实现。

OpenCV中实际上是提供了SGBM类进行SGBM算法的实现。

#include

#include

#include

#include

using namespace std;

using namespace cv;

int main()

{

IplImage * img1 = cvLoadImage("left.png",0);

IplImage * img2 = cvLoadImage("right.png",0);

cv::StereoSGBM sgbm;

int SADWindowSize = 9;

sgbm.preFilterCap = 63;

sgbm.SADWindowSize = SADWindowSize > 0 ? SADWindowSize : 3;

int cn = img1->nChannels;

int numberOfDisparities=64;

sgbm.P1 = 8*cn*sgbm.SADWindowSize*sgbm.SADWindowSize;

sgbm.P2 = 32*cn*sgbm.SADWindowSize*sgbm.SADWindowSize;

sgbm.minDisparity = 0;

sgbm.numberOfDisparities = numberOfDisparities;

sgbm.uniquenessRatio = 10;

sgbm.speckleWindowSize = 100;

sgbm.speckleRange = 32;

sgbm.disp12MaxDiff = 1;

Mat disp, disp8;

int64 t = getTickCount();

sgbm((Mat)img1, (Mat)img2, disp);

t = getTickCount() – t;

cout<

disp.convertTo(disp8, CV_8U, 255/(numberOfDisparities*16.));

namedWindow("left", 1);

cvShowImage("left", img1);

namedWindow("right", 1);

cvShowImage("right", img2);

namedWindow("disparity", 1);

imshow("disparity", disp8);

waitKey();

imwrite("sgbm_disparity.png", disp8);

cvDestroyAllWindows();

return 0;

}

贴出效果:

//深度图

但是仅仅用OpenCV自带的SGBM类来实现并不能满足,我还是希望能够自己实现该算法,然后最关键是移植到FPGA上去。

于是我尝试自已去写SGBM的代码,论文中提高Dynamic programming算法,实际上SGBM中也用到了多方向的Dynamic programming,但是我目前只是实现了单方向的DP。

//引入概率公式

//引入CBT的插值方法

//加上相邻匹配点位置之间的限制

#include

#include

#include

#include

#include

#include

using namespace std;

const int Width =  1024;

const int Height = 1024;

int Ddynamic[Width][Width];

//使用钟形曲线作为匹配概率,差值越小则匹配的概率越大,最终的要求是使匹配的概率最大,概率曲线使用matlab生成

//均方差30

//int Probability[256] = {

// 

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
立体匹配算法中的SGBM是指Stereo Processing by Semiglobal Matching and Mutual Information,它是一种全局匹配算法。相比于局部匹配算法SGBM匹配效果上表现更好,但同时也具有更高的复杂度。SGBM的原理主要参考了Stereo Processing by Semiglobal Matching and Mutual Information算法。在实际应用中,立体匹配算法应该在极线/立体校正后应用,以获得最佳效果。 在Python中,可以使用OpenCV库来实现SGBM算法的立体匹配。OpenCV提供了相关的接口和函数用于处理立体匹配。可以通过调用cv2.StereoSGBM_create()函数来创建一个SGBM对象,并使用该对象的compute()函数来计算立体匹配的结果。在计算之前,需要预先对图像进行极线/立体校正以及其他必要的预处理操作。 以下是一个使用Python和OpenCV实现SGBM算法的简单示例代码: ```python import cv2 # 读取左右两张图像 left_image = cv2.imread('left_image.png', 0) right_image = cv2.imread('right_image.png', 0) # 创建SGBM对象 sgbm = cv2.StereoSGBM_create() # 设置SGBM参数 sgbm.setMinDisparity(0) sgbm.setNumDisparities(16) sgbm.setBlockSize(5) sgbm.setDisp12MaxDiff(1) sgbm.setUniquenessRatio(10) sgbm.setSpeckleWindowSize(100) sgbm.setSpeckleRange(32) # 计算立体匹配 disparity_map = sgbm.compute(left_image, right_image) # 显示立体匹配结果 cv2.imshow('Disparity Map', disparity_map) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在这个示例中,我们首先读取了左右两张图像,并创建了一个SGBM对象。然后,通过设置SGBM对象的参数,如最小视差、视差范围、块大小等,来对算法进行配置。接下来,我们使用compute()函数来计算立体匹配的结果。最后,我们将计算得到的视差图像显示出来。 请注意,这只是一个简单的示例代码,实际使用中可能需要根据具体情况进行参数调整和其他额外的处理步骤。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [立体匹配成像算法BM,SGBM,GC,SAD一览](https://blog.csdn.net/Yong_Qi2015/article/details/120520626)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [三维重建(10)之立体匹配算法详解:BM、SGBM](https://blog.csdn.net/yohnyang/article/details/127706084)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值