立体匹配算法代码_立体匹配算法的研究和应用?

前言

SAD 是一种简单高效的立体匹配算法，虽然由于精度等原因很少被实际应用，但可以帮助我们理解立体匹配过程一、SAD算法原理

SAD计算过程主要包括以下步骤：二、代码示例

1.引入库2.设置窗口和最大视差3.读入左右图4.定义SAD类5.计算视差图总结

前言 SAD 是一种简单高效的立体匹配算法，虽然由于精度等原因很少被实际应用，但可以帮助我们理解立体匹配过程一、SAD算法原理

Sum of Absolute Differences 即“绝对差之和”简称SAD。该算法通过比较立体图像对（一般为左右图）中的光照亮度差异来寻找匹配点对，进而计算视差。

SAD计算过程主要包括以下步骤：

二、代码示例 1.引入库

代码如下（示例）：

import os
import time
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

2.设置窗口和最大视差

代码如下（示例）：

window_size=5
Dmax=64

3.读入左右图

本文使用的图片来源于Middlebury数据集
代码如下：

#Read rectified stereo image pairs
os.chdir(r'此处为图片路径')
LeftRawImage = cv.imread("左图文件名")
RightRawImage = cv.imread("右图文件名")
#Convert to gray image
LeftRawImage = cv.cvtColor(LeftRawImage,cv.COLOR_BGR2GRAY)
RightRawImage = cv.cvtColor(RightRawImage,cv.COLOR_BGR2GRAY)

左图：
右图：

4.定义SAD类

代码如下，此代码对图片做了padding，保证输出视差图和原图具有相同分辨率：

class SAD():
    def __init__(self, Lraw, Rraw, window_size, Dmax):
        self.Lraw = Lraw
        self.Rraw = Rraw
        self.window_size = window_size
        self.Dmax = Dmax
        self.ROWS = Lraw.shape[0]
        self.COLS = Lraw.shape[1]
        self.PADDING_SIZE = int((window_size-1)/2)

    #Calculate Absolute Differences
    def AD(self):
        AD_PADDING=np.zeros((self.ROWS,self.COLS,self.Dmax))
        AD_PADDING=np.pad(AD_PADDING,(self.PADDING_SIZE,self.PADDING_SIZE))
        Cost_SAD=np.zeros((self.ROWS,self.COLS,Dmax))
        for d in range(0,self.Dmax):
            for i in range(0,self.ROWS):
                for j in range(0,self.COLS):
                    if(j - d >= 0):
                        AD_PADDING[i+self.PADDING_SIZE,j+self.PADDING_SIZE,d]=np.abs(int(self.Lraw[i,j])-int(self.Rraw[i,j-d]))
                        Cost_SAD[i,j,d] = np.sum(AD_PADDING[i:i+window_size,j:j+window_size,d])
                    else:
                        Cost_SAD[i,j,d]=0
        return Cost_SAD

    #Calculate the minimum index
    def argmin(self,Cost_volume):
        Disparity = np.zeros((self.ROWS,self.COLS),dtype=np.int8)
        for i in range(0,self.ROWS):
            for j in range(0,self.COLS):
                Cost_sad = Cost_volume[i,j,:]
                index_sort= np.argsort(Cost_sad)
                Disparity[i,j]=index_sort[0]
        return Disparity

5.计算视差图

代码如下：

#Calculate disparity
time_start = time.time()
SAD_Middleburry = SAD(LeftRawImage,RightRawImage,window_size, Dmax)
Cost_sad = SAD_Middleburry.AD()
Disparity_image = SAD_Middleburry.argmin(Cost_sad)
print("用时：",time.time() - time_start,"s")
plt.imshow(Disparity_image,cmap='plasma')
plt.show()
plt.imsave('./Disparity.png',  Disparity_image, cmap='plasma')

视差图：

总结

SAD算法虽然简单高效，但是容易受光照、曝光等噪声影响，视差图的效果往往不是特别鲁棒。

注：以上代码运行较慢，在作者的电脑上运行时间为325s左右，运行后请耐心等待。以后作者将不定时更新立体匹配算法的python代码，包括Census，AD-Census等，同时作者将学习相关加速方法，并对所写代码做出改进，以便高效运行。
作者并不精通python编程，如有错误，欢迎各位大佬不吝赐教！如有疑问，欢迎大家一起讨论！谢谢！

立体匹配算法代码_立体匹配算法的研究和应用?

Python相关栏目本月热门文章