基于python的opencv中SGBM立体匹配算法实现

文章目录

前言
一、SGBM和SGM的区别？
二、SGBM的python-opencv的实现
SGBM 参数选择
参考文章

前言

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。

一、SGBM和SGM的区别？

参考大佬的文章：立体匹配算法推理笔记 - SGBM算法（一）
【算法】OpenCV-SGBM算法及源码的简明分析
原始的SGM算法流程如下：
在这里插入图片描述

SGBM的算法流程如下：
在这里插入图片描述
对比之后可以发现，SGBM和SGM区别的地方在于匹配代价的计算：SGBM采用的是SAD-BT，而SGM采用的是MI。

1.预处理

SGBM采用水平Sobel算子进行图像预处理，公式为
Sobel(x,y)=2[P(x+1,y)-P(x-1,y)]+ P(x+1,y-1)-P(x-1,y-1)+ P(x+1,y+1)-P(x-1,y+1)
将x-sobel算子的结果做一个映射[0,preFilterCap*2]，preFilterCap 为一个常数参数。
在这里插入图片描述

2.代价计算

代价有两部分组成：
1、经过预处理得到的图像的梯度信息
2、经过基于采样的方法得到的梯度代价。
3、原图像经过基于采样的方法得到的SAD代价，因为BT代价是一维匹配，所以通常要结合SAD的思路，采用邻域求和的方法，计算SAD-BT，这样计算出来的代价就是局部块代价，每个像素点的匹配代价会包含周围局部区域的信息。
在这里插入图片描述

3.动态规划

动态规划算法本身存在拖尾效应，视差突变处易产生错误的匹配，利用态规划进行一维能量累积累，会将错误的视差信息传播给后面的路径上。半全局算法利用多个方向上的信息，试图消除错误信息的干扰，能明显减弱动态规划算法产生的拖尾效应。
半全局算法试图通过影像上多个方向上一维路径的约束，来建立一个全局的马尔科夫能量方程，每个像素最终的匹配代价是所有路径信息的叠加，每个像素的视差选择都只是简单通过 WTA（Winner Takes All）决定的。
在这里插入图片描述
其中动态规划很重要两个参数P1，P2是这样设定的：
P1 =8cnsgbm.SADWindowSizesgbm.SADWindowSize;
P2 = 32cnsgbm.SADWindowSizesgbm.SADWindowSize;
cn是图像的通道数, SADWindowSize是SAD窗口大小，数值为奇数。

4.后处理

opencvSGBM的后处理包含以下几个步骤：
唯一性检测
亚像素插值
左右一致性检测
连通区域的检测

二、SGBM的python-opencv的实现

使用python-opencv的结果如下，已经写好，大家直接下载就好了。
基于python-opencv实现SGBM

在这里插入图片描述
此外，还增加了wls滤波，增加图形连接效果。

直接修改图片位置即可运行，如下：

使用wls滤波：设置use_wls = True即可，
为了方便使用，增加了SGBM_slider.py,直接替换图片文件即可，方便大家观察参数效果，直接下载运行即可，运行结果如下：
基于python-opencv实现SGBM，带有滑动窗口
在这里插入图片描述