双目立体匹配算法：SGBM

最新推荐文章于 2024-10-27 12:29:00 发布
最新推荐文章于 2024-10-27 12:29:00 发布
阅读量7.1k 收藏 122
点赞数 53
分类专栏： 工业缺陷检测学习与实战 项目设计 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45303602/article/details/142456250
版权

目录

什么是SGBM

SGBM的原理

SGBM的参数

SGBM的参数变化

OpenCV中的SGBM

代码实现

效果图

总结

什么是SGBM

SGBM（Semi-Global Block Matching）是一种用于计算双目视觉中视差（disparity）的半全局匹配算法，在OpenCV中的实现为semi-global block matching（SGBM）。它是基于全局匹配算法和局部匹配算法的优缺点，提出了一种折中的方法，既能保证视差图的质量，又能降低计算复杂度。

SGBM的原理

SGBM的原理可以分为以下几个步骤：

  1. 预处理：使用水平Sobel算子对左右图像进行边缘检测，得到梯度图像。

  2. 匹配代价计算：对于每个像素，计算其在不同视差下与对应像素的匹配代价，通常使用绝对差或平方差作为代价函数。

  3. 能量函数最小化：对于每个像素，定义一个能量函数，包括数据项和平滑项。数据项表示匹配代价，平滑项表示相邻像素的视差连续性。使用动态规划的方法，沿着多个方向（通常为8个或16个）计算累积代价，并求取最小值作为最终代价。

  4. 视差图生成：对于每个像素，根据最终代价选择最佳视差，并生成视差图。

  5. 视差图后处理：对于视差图中的异常值或空洞，使用一些后处理方法进行修复或填充，例如中值滤波、WLS滤波等。

SGBM的参数

SGBM的参数有以下几个：

  • minDisparity：最小视差值，默认为0。

  • numDisparities：视差范围，默认为16。必须是16的整数倍。

  • blockSize：匹配块大小，默认为3。必须是奇数且大于1。

  • P1：控制视差平滑度的第一个参数，默认为8blockSizeblockSize。P1越大，越倾向于生成连续的视差图。

  • P2：控制视差平滑度的第二个参数，默认为32blockSizeblockSize。P2越大，越倾向于消除小的视差变化。P2必须大于P1。

  • disp12MaxDiff：左右一致性检查时允许的最大视差差异，默认为-1，表示不进行检查。

  • preFilterCap：预处理时截断梯度值的上限，默认为63。

  • uniquenessRatio：唯一性检查时的阈值，默认为10。表示最佳视差值与次佳视差值之间的比例要大于该阈值才被认为是有效的。

  • speckleWindowSize：消除噪声斑点时考虑的窗口大小，默认为0，表示不进行消除。

  • speckleRange：消除噪声斑点时考虑的最大视差变化，默认为0，表示不进行消除。

  • mode：SGBM算法选择模式，默认为StereoSGBM::MODE_SGBM。可选值有StereoSGBM::MODE_SGBM_3WAY（速度快）、StereoSGBM::MODE_HH4（速度慢）、StereoSGBM::MODE_SGBM（速度中等）、StereoSGBM::MODE_HH（速度慢）。

SGBM的参数变化

下面通过调整每个参数来观察其影响效果：初始值设置：

minDisparity = 0
numDisparities = 16
blockSize = 3
P1 = 8*blockSize*blockSize
P2 = 32*blockSize*blockSize
disp12MaxDiff = -1
preFilterCap = 63
uniquenessRatio = 10
speckleWindowSiz
最低0.47元/天 解锁文章
双目立体匹配算法SGBM
A_L_A_N
08-07 6万+
semi-global matching（SGM）是一种用于计算双目视觉中视差（disparity）的半全局匹配算法，在OpenCV中的实现为semi-global block matching（SGBM）。 第一部分：SGBM算法原理： 一、预处理 Step1：SGBM采用水平Sobel算子，把图像做处理，公式为： Sobel(x,y)=2[P(x+1,y)-P(x-1,y)]+ P(x...
双目立体匹配算法：SGM
热门推荐
dulingwen的博客
03-27 4万+
立体匹配旨在为校正后的左右视图提供稠密的匹配对，这种问题称为"stereo correspondence problem"。有大量的算法用于求解立体匹配问题，根据Scharstein和 Szeliski的研究，所有这些算法的计算流程基本上都可以分为四个步骤：A.匹配代价计算；B.代价聚合；C.视差计算/优化；D.视差细化。其中匹配代价用来度量像素或者像素块之间的相似性，计算匹配代价的方法有AD、SAD、BT、NCC、Census-Hamming、HMI、Daisy以及基于深度学习方法的匹配代价等等。
opencv立体匹配算法（BM+SGBM+VAR）运行官方立体匹配图对程序
03-08
基于opencv2.4.9中的立体匹配三种算法，去掉了校正图像的步骤，可以直接使用校正好的标准图像进行实验，对比视差图的效果！环境是VS2010！
计算机视觉视差图（SGBM算法）
10-27
该算法代码主要用于计算机视觉方面，双目相机左右图像通过运行该算法代码可得到视差图。
立体匹配算法,立体匹配算法sgbm原理介绍,C,C++
09-10
6SSD算法，SAD算法，NCC算法，DP算法，DP_5算法，census算法
【算法】OpenCV-SGBM算法及源码的简明分析
LeonJin的博客
04-13 2万+
OpenCV-SGBM的源码在/modules/calib3d/src/stereosgbm.cpp中， 博主用的opencv版本为4.5.2 BT代价就是计算两个像素之间的相似度（或者，代价cost）
立体匹配算法SGBM
qq_36400704的博客
01-05 8419
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。 原文链接：https://blog.csdn.net/renshengrumenglibing/article/details/8525328SGBM的基本原理 SGBM的基本步骤涉及：预处理、代价计算、动态规划以及后处理 预处理 Step1：SGBM采用水平Sob...
立体视觉算法-SGBM（一）
weixin_30482181的博客
01-21 1128
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StereoProcessingbySemiglobalMatchingandMutualInformation，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<highg...
双目立体匹配——归一化互相关（NCC）
weixin_30387663的博客
08-13 1729
　　归一化相关性，normalization cross-correlation，因此简称NCC，下文中笔者将用NCC来代替这冗长的名称。 　　NCC，顾名思义，就是用于归一化待匹配目标之间的相关程度，注意这里比较的是原始像素。通过在待匹配像素位置p（px，py）构建3*3邻域匹配窗口，与目标像素位置p'(px+d,py）同样构建邻域匹配窗口的方式建立目标函数来对匹配窗口进行度量相关性...
VS2017+OpenCV3.3基于SGBM算法的双目立体视觉、双目测距（双目校正和立体匹配）(文档里包含了测试图片)
01-11
VS2017+OpenCV3.3基于SGBM算法的双目立体视觉、双目测距（双目校正和立体匹配）(文档里包含了测试图片)
基于双目视觉的立体匹配算法研究
10-16
根据立体匹配原理，采用双目摄像头对图像进行采集，通过对摄像机的标定和图像立体校正、图像分割与立体匹配得到最后的视差图；根据最后的视差图以及算法的速度来评价算法的性能。实验结果表明，图像的视差图十分接近真实视差图，效果明显。
SGM立体匹配
12-15
采用多路动态规划算法实现的双目立体匹配，采用了8个方向，针对PC进行了优化，多线程实现，可以得到精确的视差图像
双目立体匹配_SGM算法
10-10
SGM算法在KITTI2015数据集上测评结果 开发环境：python=3.6、numpy=1.19.5、opencv-python=4.5.5.64 操作系统：Ubuntu20.04LTS 处理器：Intel(R) Core(TM) i7-9700 CPU @ 3.00GHz 实验记录： 1、WTA、SSD...
yolov8双目测距-yolov8+sgbm（原理+代码）
最新发布
QQ_1309399183的博客
10-27 1107
yolov8双目测距-yolov8+sgbm（原理+代码）
双目标定和SGBM实现的过程（2024新）
2301_76675419的博客
07-15 1442
所以获取图像后需要对图像进行切割，将一张图像分为两张图像，所以需要你知道自己的双目相机的图像大小是多少，怎么切割，我的 是两张640x480图像，就是用下面中的代码中的参数进行切割。切割完就会将摄像头的数据保存到left和right两个文件夹到当前目录，left和right中就存放着左右摄像头采集到的图像，并且序号是一一对应的，如果重新拍照的话，图像的序号也是重新开始并覆盖原来的图片的，所以如果要重新拍照的话，最好将原来的left和right文件夹删掉。然后就可以适当的删除一点角度较大，误差较大的图像。
基于python的opencv中SGBM立体匹配算法实现
小张的技术分享博客
12-12 8089
SGBM的核心是SGM算法，自OpenCV2.4.6开始就已经被开源，非常的方便，并被广泛使用。
SGBM立体匹配算法
Stubborn_的博客
10-23 3043
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。 原文链接：https://blog.csdn.net/renshengrumenglibing/article/details/8525328SGBM的基本原理   SGBM的基本步骤涉及：预处理、代价计算、动态规划以及后处理   预处理 Step1：SGBM采用水平...
双目立体匹配算法
薛定谔的猫头咕咕咕
10-15 4810
双目视觉基础 单目成像 根据相机的小孔成像模型可知，2D图像上的一个像素点经过反投影只能确定三维空间中的一条射线，无法得到三维空间该点的具体深度值。 双目成像 在两个不同姿态的相机内外参已知的前提下，根据对P点拍摄两张不同角度的图像，根据两幅图像中的一对同名点，可以确定两条射线，两条射线的焦点就是P点在世界坐标系下的位置，称此过程为双目交汇，寻找同名点的过程为双目立体匹配。 三角化 三角化原理： 得到多对同名点的前提下，计算左右图像对的视差图，基于三角化的原理恢复物体的三维信息。 由对极
双目立体视觉匹配算法
qq_32951799的博客
10-16 1133
1.SAD匹配算法、BM算法、SGBM算法、GC算法 https://blog.csdn.net/liulina603/article/details/53302168 2.双目视觉——立体匹配基本理论 https://blog.csdn.net/cyem1/article/details/80736878...
双目立体匹配算法：SGM 实时代码
05-18
以下是双目立体匹配算法SGM的实时代码： ``` #include <iostream> #include <opencv2/opencv.hpp> using namespace std; using namespace cv; const int max_image_size = 960; const int max_disparity = 64; const int P1 = 5; const int P2 = 70; const int penalty_scale = 10; const int uniqueness_ratio = 15; const int speckle_window_size = 100; const int speckle_range = 32; int main(int argc, char** argv) { if(argc != 3) { cout << "Usage: ./sgm_stereo left_image right_image" << endl; return -1; } Mat imgL = imread(argv[1], IMREAD_GRAYSCALE); Mat imgR = imread(argv[2], IMREAD_GRAYSCALE); if(imgL.empty() || imgR.empty()) { cout << "Error: Could not open or find the images" << endl; return -1; } int width = imgL.cols; int height = imgL.rows; if(width > max_image_size || height > max_image_size) { cout << "Error: Image size too large" << endl; return -1; } int min_disparity = 0; int max_disparity = 64; Mat disparity_map = Mat::zeros(height, width, CV_8UC1); for(int y = 0; y < height; y++) { for(int x = 0; x < width; x++) { int min_cost = INT_MAX; int best_disparity = min_disparity; for(int d = min_disparity; d < max_disparity; d++) { int sum = 0; int count = 0; for(int dy = -1; dy <= 1; dy++) { for(int dx = -1; dx <= 1; dx++) { int xl = x + dx; int xr = x + dx - d; if(xl < 0 || xl >= width || xr < 0 || xr >= width) { continue; } int diff = abs((int)imgL.at<uchar>(y+dy, x+dx) - (int)imgR.at<uchar>(y+dy, xr)); sum += diff; count++; } } int cost = sum / count; if(d > min_disparity) { int diff = abs(d - best_disparity); cost += (diff == 1) ? P1 : (P1 + (diff - 1) * P2); } if(cost < min_cost) { min_cost = cost; best_disparity = d; } } disparity_map.at<uchar>(y, x) = best_disparity; } } Ptr<StereoSGBM> stereo = StereoSGBM::create(min_disparity, max_disparity, penalty_scale, 8 * imgL.channels() * speckle_window_size * speckle_window_size, 32 * speckle_range, uniqueness_ratio, StereoSGBM::MODE_SGBM_3WAY); stereo->compute(imgL, imgR, disparity_map); namedWindow("Disparity Map", WINDOW_NORMAL); imshow("Disparity Map", disparity_map); waitKey(0); return 0; } ``` 需要注意的是，此代码只是SGM算法的实现之一，针对不同的场景和需求，实现方式可能会有所不同。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

陈子迩

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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