雙目立體視覺(jué)的第二部分，視差圖計(jì)算算法。

大家好！歡迎來(lái)到立體視覺(jué)深度第二部分。我將簡(jiǎn)要解釋塊匹配算法。我假設(shè)您已經(jīng)閱讀了前一篇文章，如果你還沒(méi)有讀過(guò)，去讀一下。

在第一篇文章中，我們分別拍攝了左右兩幅圖像，并對(duì)相機(jī)進(jìn)行了校準(zhǔn)。校準(zhǔn)過(guò)程之后，我們有了立體圖像，兩張圖像中相同的點(diǎn)在同一條線上，這意味著如果這一對(duì)圖片種有一支筆，筆上的對(duì)應(yīng)的點(diǎn)應(yīng)該分別是(X1, Y)和(X2, Y)，Y是行號(hào)，X1和X2的圖像的列號(hào)。

校正過(guò)的圖像顯示相同的P點(diǎn)。

在本例中，X1和x2之間的差異為我們提供了視差值。我們已經(jīng)提到過(guò)，如果我們用左眼閉著看一個(gè)近距離的物體，反之亦然，位置根據(jù)睜眼的角度而變化。當(dāng)物體距離越遠(yuǎn)，這種差別就越明顯。這意味著如果視差值越小，物體越近。每個(gè)點(diǎn)都可以做這個(gè)操作，但是效率不高，因?yàn)椋?/p>

這是一個(gè)很慢的過(guò)程。時(shí)間是寶貴的。

如果校正的不夠好，每個(gè)點(diǎn)都不理想。

我們需要減少誤差，在這種情況下，逐點(diǎn)處理不會(huì)有幫助。

這就是我們使用塊匹配的原因。其中一些是使用光流(圖像流)，或減少圖像大小，以使用更少的處理能力。第二點(diǎn)我簡(jiǎn)單提一下，如果你想了解更詳細(xì)的信息，請(qǐng)查閱相關(guān)論文。

我們從左邊的圖像開(kāi)始。使用左圖不是強(qiáng)制的，我就是這么用的。太大的塊會(huì)產(chǎn)生平滑的圖像，太小的塊會(huì)產(chǎn)生噪聲。你都應(yīng)該嘗試一下，找到最佳值。在選擇最左邊的塊之后，我們從左到右搜索，并嘗試盡可能多地與右邊的圖像匹配。由于圖像被校正過(guò)了，在一個(gè)軸上搜索就足夠了。

黑塊是我們的待搜索塊

在一個(gè)軸上搜索，從左到右搜索

如何進(jìn)行塊匹配？有很多公式。大多數(shù)人用的是絕對(duì)差的和以及差的平方和。你可以研究一下相關(guān)的論文以及人們是如何使用它的。在這些方法中，較小的結(jié)果意味著非常相似。這將是我們選擇的塊的差異值。

絕對(duì)差和的例子

左校正后的圖像，右校正后圖像，塊匹配后的視差圖。

既然我們已經(jīng)介紹了基礎(chǔ)知識(shí)，讓我們查看一下代碼。在塊匹配之后，我使用了WLS(加權(quán)最小二乘)濾波器來(lái)獲得更平滑和更接近的視差值，可以更好地代表圖像。函數(shù)為：

defdepth_map(imgL,imgR):
"""Depthmapcalculation.WorkswithSGBMandWLS.Needrectifiedimages,returnsdepthmap(lefttorightdisparity)"""
#SGBMParameters-----------------
window_size=3#wsizedefault3;5;7forSGBMreducedsizeimage;15forSGBMfullsizeimage(1300pxandabove);5Worksnicely

left_matcher=cv2.StereoSGBM_create(
minDisparity=-1,
numDisparities=5*16,#max_disphastobedividableby16f.E.HH192,256
blockSize=window_size,
P1=8*3*window_size,
#wsizedefault3;5;7forSGBMreducedsizeimage;15forSGBMfullsizeimage(1300pxandabove);5Worksnicely
P2=32*3*window_size,
disp12MaxDiff=12,
uniquenessRatio=10,
speckleWindowSize=50,
speckleRange=32,
preFilterCap=63,
mode=cv2.STEREO_SGBM_MODE_SGBM_3WAY
)
right_matcher=cv2.ximgproc.createRightMatcher(left_matcher)
#FILTERParameters
lmbda=80000
sigma=1.3
visual_multiplier=6

wls_filter=cv2.ximgproc.createDisparityWLSFilter(matcher_left=left_matcher)
wls_filter.setLambda(lmbda)

wls_filter.setSigmaColor(sigma)
displ=left_matcher.compute(imgL,imgR)#.astype(np.float32)/16
dispr=right_matcher.compute(imgR,imgL)#.astype(np.float32)/16
displ=np.int16(displ)
dispr=np.int16(dispr)
filteredImg=wls_filter.filter(displ,imgL,None,dispr)#importanttoput"imgL"here!!!

filteredImg=cv2.normalize(src=filteredImg,dst=filteredImg,beta=0,alpha=255,norm_type=cv2.NORM_MINMAX);
filteredImg=np.uint8(filteredImg)

returnfilteredImg

你可以再這里：https://github.com/aliyasineser/stereoDepth檢查項(xiàng)目。代碼基本上就是在創(chuàng)建匹配器。OpenCV的文檔很差(我添加了一些，但這只是冰山一角)，但編碼方面真的很容易。讓我們來(lái)看看參數(shù)：

minDisparity: 最小視差值。通常我們期望這里是0，但當(dāng)校正算法移動(dòng)圖像時(shí)，有時(shí)需要設(shè)置。

numDisparities: 最大視差值，必須大于0，定義視差邊界。

blockSize: 匹配塊的塊大小。推薦使用[3-11]，推薦使用奇數(shù)，因?yàn)槠鏀?shù)大小的塊有一個(gè)中心。

P1 和 P2: 負(fù)責(zé)平滑圖像，規(guī)則是P2>P1。

disp12MaxDiff: 視差計(jì)算的最大像素差。

preFilterCap：過(guò)濾前使用的值。在塊匹配之前，計(jì)算圖像x軸的一個(gè)導(dǎo)數(shù)，并用于檢查邊界[-prefiltercap, prefiltercap]。其余的值用Birchfield-Tomasi代價(jià)函數(shù)處理。

uniquenessRatio: 經(jīng)過(guò)成本函數(shù)計(jì)算，此值用于比較。建議取值范圍[5-15]。

speckleWindowSize: 過(guò)濾刪除大的值，得到一個(gè)更平滑的圖像。建議取值范圍[50-200]。

speckleRange: 使用領(lǐng)域檢查視差得到一個(gè)平滑的圖像。如果你決定嘗試，我建議1或2。小心，這個(gè)值會(huì)乘以16！OpenCV會(huì)這樣做，所以你不需要自己去乘。

在代碼中我們使用了SGBM。創(chuàng)建左右視差圖，使用WLS濾波平滑優(yōu)化圖像。我還沒(méi)有掌握這個(gè)，我用數(shù)值做了實(shí)驗(yàn)，所以我就不詳細(xì)講了。

代碼：https://github.com/aliyasineser/stereoDepth可用于單目和立體攝像機(jī)標(biāo)定，以及視差圖計(jì)算。之后，你可以對(duì)結(jié)果做任何你想做的事。在我的項(xiàng)目中，我用它來(lái)檢測(cè)前方是否有物體或距離太近，都是關(guān)于無(wú)人機(jī)的。你可以用你的想象力創(chuàng)造很多東西。

編輯：黃飛