双目立体视觉数据集 Stereo dataset

最新推荐文章于 2025-03-13 14:50:05 发布
最新推荐文章于 2025-03-13 14:50:05 发布
阅读量1.8w 收藏 85
点赞数 11
分类专栏： 视觉
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/xuyuhua1985/article/details/100778237
版权
本文介绍了四个主要的立体视觉数据集：MiddleburyStereo、KITTI、ETH3D和InStereo2K，涵盖了从室内到室外不同场景的数千对立体图像，是进行立体匹配算法研究与评估的重要资源。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Stereo dataset

1.Middlebury Stereo(室内场景, 几十对, 分辨率高)
2.KITTI(室外驾驶场景, 200对)
3.ETH3D(27 training and 20 test frames)
4.InStereo2K（室内场景, 2000 training and 50 test frames）

ETH3D双目数据集
04-02
ETH3D数据集中的双目图像部分，包括双目图像和相机参数，在自己实验过程中用到的，分享给大家，希望有帮助。
双目立体匹配图片集，很多经典图片对......
05-17
双目立体匹配图片集，很多经典图片对，大多经典论文中都有用到，做立体匹配的朋友可以下载。
用于 RGB-D 显著目标检测的点感知交互和 CNN 诱导的细化网络
最新发布
m0_59899305的博客
03-13 823
受人类视觉系统的启发，显著性目标检测（SOD）旨在定位给定场景中最具吸引力的目标或区域[3, 5, 6, 9-13, 27, 54, 59]，该技术已成功应用于众多任务中。此外，RGB-D显著性目标检测任务在显著性目标检测任务中额外引入了深度图，以便更好地模拟人类双目视觉系统的能力，并获得感知物体间距离关系的能力。
双目数据集
正在挣扎中的人
12-16 3589
深度估计常用数据集
双目立体视觉匹配算法-----SAD匹配算法、BM算法、SGBM算法、GC算法
热门推荐
liulina603的专栏
11-23 7万+
一、 SAD算法 1.算法原理         SAD(Sum of absolute differences)是一种图像匹配算法。基本思想：差的绝对值之和。此算法常用于图像块匹配，将每个像素对应数值之差的绝对值求和，据此评估两个图像块的相似度。该算法快速、但并不精确，通常用于多级处理的初步筛选。 2.基本流程 输入：两幅图像，一幅Left-Image，一幅Right-Im
视觉检测作业demo：双目视觉匹配
不知语冰
04-04 1170
SAD算法，copy的SAD视觉匹配 原理留个坑，以后补 left=double(rgb2gray(imread('left.png'))); right=double(rgb2gray(imread('right.png'))); [m n]=size(left); w=10; %窗口半径 depth=20; %最大偏移距离，同样也是最大深度距离 imgn=zeros(m,...
双目立体匹配测试数据集Middlebury Stereo Datasets
10-31
双目立体匹配测试数据集Middlebury Stereo Datasets，包含Middlebury Stereo官网上面的03,05,06年的三部分数据集，01,14年的数据集下载失败，分享给大家。
双目立体匹配测试数据集及视差图
11-26
用于双目立体匹配的测试数据集，包含标准视差图，整合了2001、2003、2005、2006四年的数据集
StereoDataset:室内真实场景立体数据集。 它包含2000对具有高精度视差图的图像。 我们希望它可以改善深度立体声匹配网络的泛化性能
05-11
InStereo2K：用于室内场景立体匹配的大型真实数据集 概述 InStereo2K [1]包含2050对具有高精度视差图的图像（用于训练的2000个图像，用于测试的50个图像）。 我们希望它可以改善深度立体声匹配网络的泛化性能。 包伟，王伟，徐玉华，郭玉兰，洪思宇，张小虎。 InStereo2K：用于室内场景立体匹配的大型真实数据集。 中国科学信息科学。 2020年。 资料格式 为了保持亚像素精度，原始浮动视差图被放大了100倍并进行了四舍五入，最后以16位PNG格式存储。 因此，在使用数据集时，将视差值除以100以得到正确的比例。 无效视差设置为零。 在训练过程中，无效像素应被踢出。 如果使用调整大小来增强视差范围内的数据集，我们建议使用最近的插值法。 视差图样本 评估 下图是使用我们的数据集对iResNet [2]进行微调的结果，bad2.0错误为18.5。 使用数据集微调
双目数据集Middlebury Stereo Data2014（一）
03-31
原网站下载整理，因为完整数据集几个G，所以仅仅整理上传了双目图像，资源太大总共分为三部分，在这提供给大家
双目数据集Middlebury Stereo Data2014（二）
03-31
双目立体匹配测试数据集Middlebury Stereo Datasets，包含Middlebury Stereo官网上面的2014的数据集，分享给大家。
双目数据集Middlebury Stereo Data2014（三）
03-31
双目立体匹配测试数据集Middlebury Stereo Datasets，包含Middlebury Stereo官网上面的2014的数据集双目图像和相机参数，分享给大家。
双目数据集middlebury datasets-01.03.05.06
03-31
Middlebury Stereo官网上面的03,05,06年数据集和1年最经典的那张。立体匹配测试数据集Middlebury Stereo Datasets，分享给大家。
双目图像集
10-13
在双目视觉图像处理过程中所使用的图像标准模版，分左右两套
KITTI 2012/2015双目立体匹配(stereo matching)数据集百度云下载-附件资源
03-02
KITTI 2012/2015双目立体匹配(stereo matching)数据集百度云下载-附件资源
立体匹配测试所用Middlebury Stereo Datasets数据集.rar
07-29
双目立体匹配用到的数据集Middlebury Stereo Datasets 自己从官网上下载的包括01 03 05 06年的 以及14年的测试集和训练集 带参数 应该算比较全的 官网下载很慢 分享给大家
Middlebury Stereo Dataset 2014双目图像压缩分包下载
双目数据集Middlebury Stereo Data2014是一个在计算机视觉领域尤其是立体视觉研究中广泛使用的数据集。它由美国加利福尼亚州的Middlebury大学发布，是立体视觉领域的一个标准测试集。该数据集提供了高质量的图像对...
超详细的计算机视觉数据集汇总（自动驾驶、SLAM、三维重建、立体视觉、深度估计）
qq_29462849的博客
12-27 4773
前言 本文首发于公众号【3D视觉工坊】，更多干货请关注公众号~ 1、KITTI数据集 KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tr...
kitti数据集三维重建
02-15
### 使用KITTI数据集实现三维重建的技术教程 #### 数据准备 为了利用KITTI数据集进行三维重建，首先需要从指定资源下载并解压所需的数据文件[^1]。该数据集包含了丰富的传感器数据，如立体图像、LiDAR点云等。 #### 环境配置 安装必要的软件库来处理这些多模态数据至关重要。对于Python开发者来说，OpenCV用于读取和预处理图片；NumPy与Pandas帮助管理数值型数组；Matplotlib有助于可视化中间结果；而Point Cloud Library(PCL)或是open3d则专攻于点云计算任务。 ```bash pip install opencv-python numpy pandas matplotlib open3d ``` #### 处理双目视觉输入 假设已经获得了同步拍摄的一对彩色图像作为输入，则可以通过计算视差图来进行初步的距离估计： ```python import cv2 import numpy as np def compute_disparity_map(img_left, img_right): stereo = cv2.StereoBM_create(numDisparities=16, blockSize=15) disparity = stereo.compute(cv2.cvtColor(img_left,cv2.COLOR_BGR2GRAY),cv2.cvtColor(img_right,cv2.COLOR_BGR2GRAY)) return disparity / 16. # 加载左右摄像头捕捉的画面帧 left_image = cv2.imread('path_to_kitti_dataset/left_0000.png') right_image = cv2.imread('path_to_kitti_dataset/right_0000.png') disparity_map = compute_disparity_map(left_image, right_image) plt.figure(figsize=(8,6)) plt.imshow(disparity_map,'gray') plt.title("Disparity Map from Stereo Images") plt.show() ``` 此部分操作基于双目视觉原理构建了基础的空间感知能力[^2]。 #### 结合LiDAR扫描成果 进一步提升精度的方法是引入来自Velodyne LiDAR设备采集到的精确位置信息。这一步骤涉及将时间戳匹配后的RGB-D（颜色加深度）数据融合起来创建更完整的场景模型。 ```python from pykitti import raw basedir = './data' date = '2011_09_26' # Date of recording drive = '0001' # Drive number dataset = raw(basedir, date, drive) for velo_scan in dataset.velo: points = np.array([[point[0], point[1], point[2]] for point in velo_scan]) pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(points[:,:3]) # 可选：绘制点云 o3d.visualization.draw_geometries([pcd]) ``` 上述代码片段展示了如何加载特定日期驱动序列中的所有可用LiDAR扫描，并将其转换成易于后续分析的形式。 #### 构建稠密三维地图 最后阶段的目标是从稀疏分布的观测值推断出整个环境内的连续表面特征。常用策略包括但不限于ICP(Iterative Closest Point迭代最近点法)，TSDF(Tsigned Distance Function带符号距离函数)体积网格化等高级算法的应用。 ```python source_pcd = ... # 来源点云对象 target_pcd = ... # 目标点云对象 threshold = 0.02 trans_init = np.asarray([[1.,0.,0.,0.],[0.,1.,0.,0.],[0.,0.,1.,0.],[0.,0.,0.,1.]]) reg_p2p = o3d.pipelines.registration.registration_icp( source_pcd, target_pcd, threshold, trans_init, o3d.pipelines.registration.TransformationEstimationPointToPoint()) print(reg_p2p) draw_registration_result(source_pcd, target_pcd, reg_p2p.transformation) ``` 这段脚本实现了两个不同视角下获取的点云之间的刚体变换矩阵求解过程，从而使得它们能够被正确拼接在一起形成更大范围内的统一描述[^4]。
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
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