在OpenCV里使用立体图像深度图

本文链接： https://blog.csdn.net/caimouse/article/details/102779495

本文将来学习怎么样从立体图像来创建深度图，在前面学习过对极几何的基本知识，从那里就可以直觉地感觉到，由两幅画像就可以找到深度信息。再来看一下对极几何：

从上图可以看出，使用中学数学里相似三角形的公式，就可以推导出下面的公式：

x是左边相机成像平面里最左边与成像点的距离，x′是在右边相机成像平面里最左边与成像点的距离，B是基线的长度，f是相机的焦距，Z是相机距离物品的深度。如下图：

简而言之，上面的公式表明，场景中一个点的深度与对应图像点与其摄像机中心的距离差成反比。通过这个关系，就可以来计算图像上所有点的深度了。因此只需要找到它们匹配点，再计算它们之间的视差，就可以计算点的深度了。下用代码来简单地创建一个深度图：

#python 3.7.4,opencv4.1
#蔡军生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt

imgL = cv2.imread('tsukuba_l.png',0)
imgR = cv2.imread('tsukuba_r.png',0)

stereo = cv2.StereoBM_create(numDisparities=16, blockSize=15)
disparity = stereo.compute(imgL,imgR)
plt.imshow(disparity,'gray')
plt.show()
#
cv2.waitKey(0)
cv2.destroyAllWindows()

结果输出如下：

cv2.StereoSGBM_create([，minDisparity [，numDisparities [，blockSize [，P1 [，P2 [，disp12MaxDiff [，preFilterCap [，uniquenessRatio [，speckleWindowSize [，speckleRange [，mode]]]]]]]]]]]])

扫描二维码关注公众号，回复： 7664144 查看本文章

minDisparity	最小可能的差异值。通常情况下，它是零，但有时整流算法可能会改变图像，所以这个参数需要作相应的调整。
numDisparities	最大差异减去最小差异。该值总是大于零。在当前的实现中，该参数必须可以被16整除。
BLOCKSIZE	匹配的块大小。它必须是> = 1的奇数。通常情况下，它应该在3..11的范围内。
P1	控制视差平滑度的第一个参数。见下文。
P2	第二个参数控制视差平滑度。值越大，差异越平滑。P1是相邻像素之间的视差变化加或减1的惩罚。P2是相邻像素之间的视差变化超过1的惩罚。该算法需要P2> P1。请参见stereo_match.cpp示例，其中显示了一些相当好的P1和P2值（分别为8 * number_of_image_channels * SADWindowSize * SADWindowSize和32 * number_of_image_channels * SADWindowSize * SADWindowSize）。
disp12MaxDiff	左右视差检查中允许的最大差异（以整数像素为单位）。将其设置为非正值以禁用检查。
preFilterCap	预滤波图像像素的截断值。该算法首先计算每个像素的x导数，并通过[-preFilterCap，preFilterCap]间隔剪切其值。结果值传递给Birchfield-Tomasi像素成本函数。
uniquenessRatio	最佳（最小）计算成本函数值应该“赢”第二个最佳值以考虑找到的匹配正确的百分比保证金。通常，5-15范围内的值就足够了。
speckleWindowSize	平滑视差区域的最大尺寸，以考虑其噪声斑点和无效。将其设置为0可禁用斑点过滤。否则，将其设置在50-200的范围内。
speckleRange	每个连接组件内的最大视差变化。如果你做斑点过滤，将参数设置为正值，它将被隐式乘以16.通常，1或2就足够好了。
mode	将其设置为StereoSGBM :: MODE_HH以运行全尺寸双通道动态编程算法。它将消耗O（W * H * numDisparities）字节，这对640x480立体声很大，对于HD尺寸的图片很大。默认情况下，它被设置为false。

在OpenCV里使用立体图像深度图

猜你喜欢