NCC视差匹配计算视差图（python）

目录

 

一、视差计算原理

1.1 NCC视差匹配方法

1.2 双目立体匹配

二、实验内容

2.1 不同窗口对匹配结果的影响

2.2 分析

三、实验代码

四、总结

---

一、视差计算原理

1.1 NCC视差匹配方法

       归一化相关性（normalization cross-correlation），简称NCC。其是对图像内的像素点来构建一个nn的邻域作为匹配窗口，然后对目标像素位置同样的构建一个nn大小的匹配窗口，对两个窗口进行相似度度量。对于两幅图像来说，在进行NCC计算之前要对图像进行处理，也就是讲两帧图像进行极线校正，使两帧图像的光心处于同一水平线上。通过校正极线可以方便NCC操作。

NCC计算公式如下：

为匹配窗口；

为原始图像的像素值；

I1​​(px​,py​)为原始窗口内像素的均值，为原始图像在目标图像上对应点位置在x方向上偏移d之后的像素值，I2​​(px​+d,py​)为目标图像匹配窗口像素均值。

公式通过归一化将匹配结果限制在 [-1,1]的范围内，可以非常方便得到判断匹配窗口相关程度：当NCC= -1，表示两个匹配窗口完全不相关，相反的当NCC=1时，表示两个匹配窗口相关程度非常高。

视差：左右双目图像中，两个匹配块中心像素的水平距离。

1.2 双目立体匹配

双目立体匹配流程如下：

　　1. 采集图像：通过标定好的双目相机采集图像，当然也可以用两个单目相机来组合成双目相机。（标定方法下次再说）

　　2. 极线校正：校正的目的是使两帧图像极线处于水平方向，或者说是使两帧图像的光心处于同一水平线上。通过校正极线可以方便后续的NCC操作。

       3. 特征匹配：这里便是我们利用NCC做匹配的步骤啦，匹配方法如上所述，右视图中与左视图待测像素同一水平线