python 立体匹配算法_OpenCV3.4两种立体匹配算法效果对比
以OpenCV自带的Aloe图像对为例:
1.BM算法(Block Matching)
参数设置如下:
int numberOfDisparities = ((imgSize.width / 8) + 15) & -16;
cv::Ptr<:stereobm> bm = cv::StereoBM::create(16, 9);
cv::Rect roi1, roi2;
bm->setROI1(roi1);
bm->setROI2(roi2);
bm->setPreFilterCap(31);
bm->setBlockSize(9);
bm->setMinDisparity(0);
bm->setNumDisparities(numberOfDisparities);
bm->setTextureThreshold(10);
bm->setUniquenessRatio(15);
bm->setSpeckleWindowSize(100);
bm->setSpeckleRange(32);
bm->setDisp12MaxDiff(1);
bm->compute(imgL, imgR, disp);
效果如下:
BM算法得到的视差图(左),空洞填充后得到的视差图(右)
2.SGBM(Semi-Global Block matching)算法:
参数设置如下:
enum { STEREO_BM = 0, STEREO_SGBM = 1, STEREO_HH = 2, STEREO_VAR = 3, STEREO_3WAY = 4};int numberOfDisparities = ((imgSize.width / 8) + 15) & -16;
cv::Ptr<:stereosgbm> sgbm = cv::StereoSGBM::create(0, 16, 3);
sgbm->setPreFilterCap(63);int SADWindowSize = 9;int sgbmWinSize = SADWindowSize > 0 ? SADWindowSize : 3;
sgbm->setBlockSize(sgbmWinSize);int cn =imgL.channels();
sgbm->setP1(8 * cn*sgbmWinSize*sgbmWinSize);
sgbm->setP2(32 * cn*sgbmWinSize*sgbmWinSize);
sgbm->setMinDisparity(0);
sgbm->setNumDisparities(numberOfDisparities);
sgbm->setUniquenessRatio(10);
sgbm->setSpeckleWindowSize(100);
sgbm->setSpeckleRange(32);
sgbm->setDisp12MaxDiff(1);int alg =STEREO_SGBM;if (alg ==STEREO_HH)
sgbm->setMode(cv::StereoSGBM::MODE_HH);else if (alg ==STEREO_SGBM)
sgbm->setMode(cv::StereoSGBM::MODE_SGBM);else if (alg ==STEREO_3WAY)
sgbm->setMode(cv::StereoSGBM::MODE_SGBM_3WAY);
sgbm->compute(imgL, imgR, disp);
效果如图:
SGBM算法得到的视差图(左),空洞填充后得到的视差图(右)
可见SGBM算法得到的视差图相比于BM算法来说,减少了很多不准确的匹配点,尤其是在深度不连续区域,速度上SGBM要慢于BM算法。OpenCV3.0以后没有实现GC算法,可能是出于速度考虑,以后找时间补上对比图,以及各个算法的详细原理分析。
后面我填充空洞的效果不是很好,如果有更好的方法,望不吝赐教。
preFilterCap()匹配图像预处理
两种立体匹配算法都要先对输入图像做预处理,OpenCV源码中中调用函数 static void prefilterXSobel(const cv::Mat& src, cv::Mat& dst, int preFilterCap),参数设置中preFilterCap在此函数中用到。函数步骤如下,作用主要有两点:对于无纹理区域,能够排除噪声干扰;对于边界区域,能够提高边界的区分性,利于后续的匹配代价计算:
先利用水平Sobel算子求输入图像x方向的微分值Value;
如果Value
如果Value>preFilterCap,则Value=2*preFilterCap;
如果Value>=-preFilterCap &&Value<=preFilterCap,则Value=Value+preFilterCap;
输出处理后的图像作为下一步计算匹配代价的输入图像。
static void prefilterXSobel(const cv::Mat& src, cv::Mat& dst, intftzero)
{intx, y;const int OFS = 256 * 4, TABSZ = OFS * 2 + 256;
uchar tab[TABSZ];
cv::Size size=src.size();for (x = 0; x < TABSZ; x++)
tab[x]= (uchar)(x - OFS < -ftzero ? 0 : x - OFS > ftzero ? ftzero * 2 : x - OFS +ftzero);
uchar val0= tab[0 +OFS];for (y = 0; y < size.height - 1; y += 2)
{const uchar* srow1 = src.ptr(y);const uchar* srow0 = y > 0 ? srow1 - src.step : size.height > 1 ? srow1 +src.step : srow1;const uchar* srow2 = y < size.height - 1 ? srow1 + src.step : size.height > 1 ? srow1 -src.step : srow1;const uchar* srow3 = y < size.height - 2 ? srow1 + src.step * 2: srow1;
uchar* dptr0 = dst.ptr(y);
uchar* dptr1 = dptr0 +dst.step;
dptr0[0] = dptr0[size.width - 1] = dptr1[0] = dptr1[size.width - 1] =val0;
x= 1;for (; x < size.width - 1; x++)
{int d0 = srow0[x + 1] - srow0[x - 1], d1 = srow1[x + 1] - srow1[x - 1],
d2= srow2[x + 1] - srow2[x - 1], d3 = srow3[x + 1] - srow3[x - 1];int v0 = tab[d0 + d1 * 2 + d2 +OFS];int v1 = tab[d1 + d2 * 2 + d3 +OFS];
dptr0[x]=(uchar)v0;
dptr1[x]=(uchar)v1;
}
}for (; y < size.height; y++)
{
uchar* dptr = dst.ptr(y);
x= 0;for (; x < size.width; x++)
dptr[x]=val0;
}
}
View Code
自己实现的函数如下:
void mySobelX(cv::Mat srcImg, cv::Mat dstImg, intpreFilterCap)
{
assert(srcImg.channels()== 1);int radius = 1;int width =srcImg.cols;int height =srcImg.rows;
uchar*pSrcData =srcImg.data;
uchar*pDstData =dstImg.data;for (int i = 0; i < height; i++)
{for (int j = 0; j < width; j++)
{int idx = i*width +j;if (i >= radius && i < height - radius && j >= radius && j < width -radius)
{int diff0 = pSrcData[(i - 1)*width + j + 1] - pSrcData[(i - 1)*width + j - 1];int diff1 = pSrcData[i*width + j + 1] - pSrcData[i*width + j - 1];int diff2 = pSrcData[(i + 1)*width + j + 1] - pSrcData[(i + 1)*width + j - 1];int value = diff0 + 2 * diff1 +diff2;if (value < -preFilterCap)
{
pDstData[idx]= 0;
}else if (value >= -preFilterCap && value <=preFilterCap)
{
pDstData[idx]= uchar(value +preFilterCap);
}else{
pDstData[idx]= uchar(2 *preFilterCap);
}
}else{
pDstData[idx]= 0;
}
}
}
}
View Code
函数输入,输出结果如图:
filterSpeckles()视差图后处理
两种立体匹配算法在算出初始视差图后会进行视差图后处理,包括中值滤波,连通域检测等。其中中值滤波能够有效去除视差图中孤立的噪点,而连通域检测能够检测出视差图中因噪声引起小团块(blob)。在BM和SGBM中都有speckleWindowSize和speckleRange这两个参数,speckleWindowSize是指设置检测出的连通域中像素点个数,也就是连通域的大小。speckleRange是指设置判断两个点是否属于同一个连通域的阈值条件。大概流程如下:
判断当前像素点四邻域的邻域点与当前像素点的差值diff,如果diff
步骤1完成后,判断被标记的像素点个数count,如果像素点个数count<=speckleWindowSize,则说明该连通域是一个小团块(blob),则将当前像素点值设置为newValue(表示错误的视差值,newValue一般设置为负数或者0值)。否则,表示该连通域是个大团块,不做处理。同时建立标记值与是否为小团块的关系表rtype[label],rtype[label]为0,表示label值对应的像素点属于小团块,为1则不属于小团块。
处理下一个像素点时,先判断其是否已经被标记:如果已经被标记,则根据关系表rtype[label]判断是否为小团块(blob),如果是,则直接将该像素值设置为newValue;如果不是,则不做处理。继续处理下一个像素。
如果没有被标记,则按照步骤1处理。
所有像素点处理后,满足条件的区域会被设置为newValue值,后续可以用空洞填充等方法重新估计其视差值。
OpenCV中有对应的API函数,void filterSpeckles(InputOutputArray img, double newVal, int maxSpeckleSize, double maxDiff, InputOutputArray buf=noArray() )
函数源码如下,使用时根据视差图或者深度图数据类型设置模板中的数据类型:
typedef cv::Point_Point2s;
template void filterSpecklesImpl(cv::Mat& img, int newVal, int maxSpeckleSize, int maxDiff, cv::Mat&_buf)
{using namespacecv;int width = img.cols, height = img.rows, npixels = width*height;
size_t bufSize= npixels*(int)(sizeof(Point2s) + sizeof(int) + sizeof(uchar));if (!_buf.isContinuous() || _buf.empty() || _buf.cols*_buf.rows*_buf.elemSize()
_buf.create(1, (int)bufSize, CV_8U);
uchar* buf =_buf.ptr();int i, j, dstep = (int)(img.step / sizeof(T));int* labels = (int*)buf;
buf+= npixels * sizeof(labels[0]);
Point2s* wbuf = (Point2s*)buf;
buf+= npixels * sizeof(wbuf[0]);
uchar* rtype = (uchar*)buf;int curlabel = 0;//clear out label assignments
memset(labels, 0, npixels * sizeof(labels[0]));for (i = 0; i < height; i++)
{
T* ds = img.ptr(i);int* ls = labels + width*i;for (j = 0; j < width; j++)
{if (ds[j] != newVal) //not a bad disparity
{if (ls[j]) //has a label, check for bad label
{if (rtype[ls[j]]) //small region, zero out disparity
ds[j] =(T)newVal;
}//no label, assign and propagate
else{
Point2s* ws = wbuf; //initialize wavefront
Point2s p((short)j, (short)i); //current pixel
curlabel++; //next label
int count = 0; //current region size
ls[j] =curlabel;//wavefront propagation
while (ws >= wbuf) //wavefront not empty
{
count++;//put neighbors onto wavefront
T* dpp = &img.at(p.y, p.x); //current pixel value
T dp = *dpp;int* lpp = labels + width*p.y + p.x; //current label value//bot
if (p.y < height - 1 && !lpp[+width] && dpp[+dstep] != newVal && std::abs(dp - dpp[+dstep]) <=maxDiff)
{
lpp[+width] =curlabel;*ws++ = Point2s(p.x, p.y + 1);
}//top
if (p.y > 0 && !lpp[-width] && dpp[-dstep] != newVal && std::abs(dp - dpp[-dstep]) <=maxDiff)
{
lpp[-width] =curlabel;*ws++ = Point2s(p.x, p.y - 1);
}//right
if (p.x < width - 1 && !lpp[+1] && dpp[+1] != newVal && std::abs(dp - dpp[+1]) <=maxDiff)
{
lpp[+1] =curlabel;*ws++ = Point2s(p.x + 1, p.y);
}//left
if (p.x > 0 && !lpp[-1] && dpp[-1] != newVal && std::abs(dp - dpp[-1]) <=maxDiff)
{
lpp[-1] =curlabel;*ws++ = Point2s(p.x - 1, p.y);
}//pop most recent and propagate//NB: could try least recent, maybe better convergence
p = *--ws;
}//assign label type
if (count <= maxSpeckleSize) //speckle region
{
rtype[ls[j]]= 1; //small region label
ds[j] =(T)newVal;
}elsertype[ls[j]]= 0; //large region label
}
}
}
}
}
View Code
或者下面博主自己整理一遍的代码:
typedef cv::Point_Point2s;
template void myFilterSpeckles(cv::Mat &img, int newVal, int maxSpeckleSize, intmaxDiff)
{int width =img.cols;int height =img.rows;int imgSize = width*height;int *pLabelBuf = (int*)malloc(sizeof(int)*imgSize);//标记值buffer
Point2s *pPointBuf = (Point2s*)malloc(sizeof(short)*imgSize);//点坐标buffer
uchar *pTypeBuf = (uchar*)malloc(sizeof(uchar)*imgSize);//blob判断标记buffer//初始化Labelbuffer
int currentLabel = 0;
memset(pLabelBuf,0, sizeof(int)*imgSize);for (int i = 0; i < height; i++)
{
T*pData = img.ptr(i);int *pLabel = pLabelBuf + width*i;for (int j = 0; j < width; j++)
{if (pData[j] !=newVal)
{if(pLabel[j])
{if(pTypeBuf[pLabel[j]])
{
pData[j]=(T)newVal;
}
}else{
Point2s*pWave =pPointBuf;
Point2s curPoint((T)j, (T)i);
currentLabel++;int count = 0;
pLabel[j]=currentLabel;while (pWave >=pPointBuf)
{
count++;
T*pCurPos = &img.at(curPoint.y, curPoint.x);
T curValue= *pCurPos;int *pCurLabel = pLabelBuf + width*curPoint.y +curPoint.x;//bot
if (curPoint.y < height - 1 && !pCurLabel[+width] && pCurPos[+width] != newVal && abs(curValue - pCurPos[+width]) <=maxDiff)
{
pCurLabel[+width] =currentLabel;*pWave++ = Point2s(curPoint.x, curPoint.y + 1);
}//top
if (curPoint.y > 0 && !pCurLabel[-width] && pCurPos[-width] != newVal && abs(curValue - pCurPos[-width]) <=maxDiff)
{
pCurLabel[-width] =currentLabel;*pWave++ = Point2s(curPoint.x, curPoint.y - 1);
}//right
if (curPoint.x < width-1 && !pCurLabel[+1] && pCurPos[+1] != newVal && abs(curValue - pCurPos[+1]) <=maxDiff)
{
pCurLabel[+1] =currentLabel;*pWave++ = Point2s(curPoint.x + 1, curPoint.y);
}//left
if (curPoint.x > 0 && !pCurLabel[-1] && pCurPos[-1] != newVal && abs(curValue - pCurPos[-1]) <=maxDiff)
{
pCurLabel[-1] =currentLabel;*pWave++ = Point2s(curPoint.x - 1, curPoint.y);
}--pWave;
curPoint= *pWave;
}if (count <=maxSpeckleSize)
{
pTypeBuf[pLabel[j]]= 1;
pData[j]=(T)newVal;
}else{
pTypeBuf[pLabel[j]]= 0;
}
}
}
}
}free(pLabelBuf);free(pPointBuf);free(pTypeBuf);
}
View Code
如下视差图中左上角部分有7个小团块,设置speckleWindowSize和speckleRange分别为50和32,连通域检测后结果为如下图右,小团块能够全部检测出来,方便后续用周围视差填充。当然还有一个缺点就是,图像中其他地方尤其是边界区域也会被检测为小团块,后续填充可能会对边界造成平滑。
python 立体匹配算法_OpenCV3.4两种立体匹配算法效果对比相关推荐
- python文字教程-Python在图片中添加文字的两种方法
本文主要介绍的是利用Python在图片中添加文字的两种方法,下面分享处理供大家参考学习,下来要看看吧 一.使用OpenCV 在图片中添加文字看上去很简单,但是如果是利用OpenCV来做却很麻烦.Ope ...
- python自带的shell是什么-python中执行shell的两种方法总结
一.使用python内置commands模块执行shell commands对Python的os.popen()进行了封装,使用SHELL命令字符串作为其参数,返回命令的结果数据以及命令执行的状态: ...
- python怎么模拟浏览器交互_干货分享:python爬虫模拟浏览器的两种方法实例分析(赶紧收藏)...
今天为大家带来的内容是:干货分享:python爬虫模拟浏览器的两种方法实例分析(赶紧收藏) 文章主要介绍了python爬虫模拟浏览器的两种方法,结合实例形式分析了Python爬虫模拟浏览器的两种常见操 ...
- python匿名函数Lambda的两种用法
python匿名函数Lambda的两种用法 第一种方式:作为函数对象单独使用 第二种方式:放在另一函数里使用 一般来说匿名函数Lambda的使用就是为了避免单独def一个函数,而且不用给函数命名,但是 ...
- python定义字符串变量有两种常用方式_Python 1基础语法二(标识符、关键字、变量和字符串)...
一.标识符 标识符就是程序员自己命名的变量名.名字需要有见名知义的效果,不要随意起名 :比如 a=1 a是个变量,a这个变量名属于标识符 1 company = '小米 2 employeeNum = ...
- 站长在线Python精讲:在Python中格式化字符串的两种方法详解
欢迎你来到站长在线的站长学堂学习Python知识,本文学习的是<在Python中格式化字符串的两种方法详解>.本知识点主要内容有:使用%操作符格式化字符串和使用format()方法格式化字 ...
- python 手动安装包的两种方法
python 手动安装包的两种方法 对于 .tar.gz 的包来说 解压缩文件 aaaxxxx-1.0.1.tar.gz 移动到压缩文件所在目录 使用tar -zxvf aaaxxxx-1.0.1.t ...
- django + python上传文件的两种方式
突然心血来潮,研究了下django+python上传文件的两种方式. 第一:直接采用文件读写的方式上传 1. settings.py文件中设置文件的存放路径和文件读取路径 MEDIA_ROOT = o ...
- Python实现图片裁剪的两种方式——Pillow和OpenCV
在这篇文章里我们聊一下Python实现图片裁剪的两种方式,一种利用了Pillow,还有一种利用了OpenCV.两种方式都需要简单的几行代码,这可能也就是现在Python那么流行的原因吧. 首先,我们有 ...
最新文章
- mysql 主从复制 双主从复制原理 防止主键重复问题(必看)
- EasyUI中Datebox日期框的简单使用
- emqtt 试用(二)验证 emq 和 mosquito 的共享订阅
- 【Eclipse 字符集】Eclipse在哪里设置字符集?三个位置,分别控制不同的范围
- 深度学习(三十五)——Style Transfer(2), YOLOv3, Tiny-YOLO, One-stage vs. Two-stage
- Java Level 2 学习的八大名著
- 整人BAT\VBS代码 自创
- 关于ftp 服务器搭建的200错误与527错误
- WPS Office政府机关单位专用版[安卓+Windows]
- Lattice FPGA 开发工具Diamond使用流程总结——工具使用
- 3Dmax-Vray动画渲染参数预设
- STM32F10x_StdPeriph_Template
- QT移植腾讯云C-SDK结合实现OTA更新
- 大学四年,我做过哪些兼职
- java noi和io
- 办工长时间使用计算机复印机,项目经理部管理制度汇编
- 进程的概念与基本介绍
- jzoj 高中 1285——奶酪厂
- http://blog.csdn.net/hguisu/article/details/8836819
- 无线网卡和无线上网卡
热门文章
- WPA和WPA2的主要区别(无线安全认证方法)
- transformer框架+self-attention技术+和图的关系
- 上海黑马培训python
- 三点教会你怎么选购数据线
- c语言两个线性表la lb,假设有两个集合A和B分别用两个线性表LA和LB表示,即.ppt
- 系统设计中的非功能性需求
- 实现背景透明,不模糊,Toast类型的Dialog
- linux 查看桌面目录下,16个桌面Linux用户必须要知道的Shell命令
- python小工具开发_使用Python制作一个桌面小工具
- (建议收藏)算法工程师常见面试问题及相关资料汇总