包含opencvsgbm的词条

## OpenCV SGBM: 半全局块匹配算法

简介

OpenCV 的 `StereoSGBM` (Semi-Global Block Matching) 是一种用于计算立体图像视差的强大算法。它基于半全局匹配方法，相比于局部匹配方法（如块匹配），能够生成更精确、更平滑的视差图，尤其在处理弱纹理、重复纹理和深度不连续区域时表现更佳。`StereoSGBM` 是 OpenCV 提供的两种立体匹配算法之一，另一种是 `StereoBM` (Block Matching)。

一、SGBM 算法原理

SGBM 算法的核心思想是通过沿多个路径聚合匹配代价来优化视差估计。与局部方法只考虑像素邻域不同，SGBM 算法会考虑来自不同方向的信息，从而减少噪声和误匹配。1.

匹配代价计算:

首先，SGBM 算法计算左右图像中像素之间的匹配代价。常用的代价函数包括绝对差值和 (SAD)、平方差之和 (SSD) 等。2.

代价聚合:

接下来，SGBM 算法沿着多个路径（通常是8个或16个）聚合匹配代价。对于每个像素，算法会累加沿路径上所有像素的代价，并添加惩罚项以抑制视差跳变。这个过程可以有效地传播全局信息，提高视差估计的鲁棒性。3.

视差计算:

聚合代价后，SGBM 算法为每个像素选择代价最小的视差值作为最终的视差估计。4.

视差后处理:

为了进一步提高视差图的质量，通常会进行一些后处理步骤，例如左右一致性检查、亚像素插值和中值滤波等。

二、`StereoSGBM` 在 OpenCV 中的使用

在 OpenCV 中，可以使用 `cv2.StereoSGBM_create()` 函数创建 `StereoSGBM` 对象。该函数接受多个参数，可以对算法进行精细的配置。```python import cv2# 读取左右图像 left_image = cv2.imread("left.png", cv2.IMREAD_GRAYSCALE) right_image = cv2.imread("right.png", cv2.IMREAD_GRAYSCALE)# 创建 StereoSGBM 对象 stereo = cv2.StereoSGBM_create(minDisparity=0,numDisparities=16

8, # 必须是16的倍数blockSize=3,P1=8

3

3,P2=32

3

3,disp12MaxDiff=1,uniquenessRatio=10,speckleWindowSize=100,speckleRange=32,preFilterCap=63,mode=cv2.STEREO_SGBM_MODE_SGBM_3WAY )# 计算视差图 disparity = stereo.compute(left_image, right_image)# 归一化视差图以进行显示 disparity = cv2.normalize(disparity, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)# 显示视差图 cv2.imshow("Disparity Map", disparity) cv2.waitKey(0) cv2.destroyAllWindows() ```

三、关键参数说明

`minDisparity`: 最小视差值。

`numDisparities`: 视差搜索范围。必须是16的倍数。

`blockSize`: 匹配块的大小。

`P1` 和 `P2`: 控制视差平滑度的惩罚系数。

`disp12MaxDiff`: 左右视差检查的最大容差。

`uniquenessRatio`: 用于去除误匹配的唯一性比率。

`speckleWindowSize` 和 `speckleRange`: 用于去除噪声的散斑滤波参数。

`preFilterCap`: 预滤波上限值。

`mode`: SGBM 算法的模式。

四、SGBM 的优缺点

优点:

精度高，尤其在弱纹理区域。

对光照变化和噪声有一定的鲁棒性。

可以生成相对平滑的视差图。

缺点:

计算复杂度较高，速度较慢。

参数调节较为复杂。

对重复纹理和深度不连续区域的处理仍存在挑战。

五、总结

OpenCV 的 `StereoSGBM` 是一种强大的立体匹配算法，能够生成高质量的视差图。 通过调整参数，可以针对不同的场景优化算法的性能。 虽然 SGBM 的计算复杂度较高，但其优异的性能使其成为许多立体视觉应用的首选算法。 理解其核心原理和关键参数，有助于更好地应用和优化 SGBM 算法。

OpenCV SGBM: 半全局块匹配算法**简介**OpenCV 的 `StereoSGBM` (Semi-Global Block Matching) 是一种用于计算立体图像视差的强大算法。它基于半全局匹配方法，相比于局部匹配方法（如块匹配），能够生成更精确、更平滑的视差图，尤其在处理弱纹理、重复纹理和深度不连续区域时表现更佳。`StereoSGBM` 是 OpenCV 提供的两种立体匹配算法之一，另一种是 `StereoBM` (Block Matching)。**一、SGBM 算法原理**SGBM 算法的核心思想是通过沿多个路径聚合匹配代价来优化视差估计。与局部方法只考虑像素邻域不同，SGBM 算法会考虑来自不同方向的信息，从而减少噪声和误匹配。1. **匹配代价计算:** 首先，SGBM 算法计算左右图像中像素之间的匹配代价。常用的代价函数包括绝对差值和 (SAD)、平方差之和 (SSD) 等。2. **代价聚合:** 接下来，SGBM 算法沿着多个路径（通常是8个或16个）聚合匹配代价。对于每个像素，算法会累加沿路径上所有像素的代价，并添加惩罚项以抑制视差跳变。这个过程可以有效地传播全局信息，提高视差估计的鲁棒性。3. **视差计算:** 聚合代价后，SGBM 算法为每个像素选择代价最小的视差值作为最终的视差估计。4. **视差后处理:** 为了进一步提高视差图的质量，通常会进行一些后处理步骤，例如左右一致性检查、亚像素插值和中值滤波等。**二、`StereoSGBM` 在 OpenCV 中的使用**在 OpenCV 中，可以使用 `cv2.StereoSGBM_create()` 函数创建 `StereoSGBM` 对象。该函数接受多个参数，可以对算法进行精细的配置。```python import cv2

读取左右图像 left_image = cv2.imread("left.png", cv2.IMREAD_GRAYSCALE) right_image = cv2.imread("right.png", cv2.IMREAD_GRAYSCALE)

创建 StereoSGBM 对象 stereo = cv2.StereoSGBM_create(minDisparity=0,numDisparities=16 * 8,

必须是16的倍数blockSize=3,P1=8 * 3 * 3,P2=32 * 3 * 3,disp12MaxDiff=1,uniquenessRatio=10,speckleWindowSize=100,speckleRange=32,preFilterCap=63,mode=cv2.STEREO_SGBM_MODE_SGBM_3WAY )

计算视差图 disparity = stereo.compute(left_image, right_image)

归一化视差图以进行显示 disparity = cv2.normalize(disparity, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)

显示视差图 cv2.imshow("Disparity Map", disparity) cv2.waitKey(0) cv2.destroyAllWindows() ```**三、关键参数说明*** `minDisparity`: 最小视差值。 * `numDisparities`: 视差搜索范围。必须是16的倍数。 * `blockSize`: 匹配块的大小。 * `P1` 和 `P2`: 控制视差平滑度的惩罚系数。 * `disp12MaxDiff`: 左右视差检查的最大容差。 * `uniquenessRatio`: 用于去除误匹配的唯一性比率。 * `speckleWindowSize` 和 `speckleRange`: 用于去除噪声的散斑滤波参数。 * `preFilterCap`: 预滤波上限值。 * `mode`: SGBM 算法的模式。**四、SGBM 的优缺点****优点:*** 精度高，尤其在弱纹理区域。 * 对光照变化和噪声有一定的鲁棒性。 * 可以生成相对平滑的视差图。**缺点:*** 计算复杂度较高，速度较慢。 * 参数调节较为复杂。 * 对重复纹理和深度不连续区域的处理仍存在挑战。**五、总结**OpenCV 的 `StereoSGBM` 是一种强大的立体匹配算法，能够生成高质量的视差图。 通过调整参数，可以针对不同的场景优化算法的性能。 虽然 SGBM 的计算复杂度较高，但其优异的性能使其成为许多立体视觉应用的首选算法。 理解其核心原理和关键参数，有助于更好地应用和优化 SGBM 算法。