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] = {

//