双目立体视觉之块匹配视差图算法

双目立体视觉的第二部分，视差图计算算法。

大家好！欢迎来到立体视觉深度第二部分。我将简要解释块匹配算法。我假设您已经阅读了前一篇文章，如果你还没有读过，去读一下。

在第一篇文章中，我们分别拍摄了左右两幅图像，并对相机进行了校准。校准过程之后，我们有了立体图像，两张图像中相同的点在同一条线上，这意味着如果这一对图片种有一支笔，笔上的对应的点应该分别是(X1, Y)和(X2, Y)，Y是行号，X1和X2的图像的列号。

校正过的图像显示相同的P点。

在本例中，X1和x2之间的差异为我们提供了视差值。我们已经提到过，如果我们用左眼闭着看一个近距离的物体，反之亦然，位置根据睁眼的角度而变化。当物体距离越远，这种差别就越明显。这意味着如果视差值越小，物体越近。每个点都可以做这个操作，但是效率不高，因为：

这是一个很慢的过程。时间是宝贵的。

如果校正的不够好，每个点都不理想。

我们需要减少误差，在这种情况下，逐点处理不会有帮助。

这就是我们使用块匹配的原因。其中一些是使用光流(图像流)，或减少图像大小，以使用更少的处理能力。第二点我简单提一下，如果你想了解更详细的信息，请查阅相关论文。

我们从左边的图像开始。使用左图不是强制的，我就是这么用的。太大的块会产生平滑的图像，太小的块会产生噪声。你都应该尝试一下，找到最佳值。在选择最左边的块之后，我们从左到右搜索，并尝试尽可能多地与右边的图像匹配。由于图像被校正过了，在一个轴上搜索就足够了。

黑块是我们的待搜索块

在一个轴上搜索，从左到右搜索

如何进行块匹配？有很多公式。大多数人用的是绝对差的和以及差的平方和。你可以研究一下相关的论文以及人们是如何使用它的。在这些方法中，较小的结果意味着非常相似。这将是我们选择的块的差异值。

绝对差和的例子

左校正后的图像，右校正后图像，块匹配后的视差图。

既然我们已经介绍了基础知识，让我们查看一下代码。在块匹配之后，我使用了WLS(加权最小二乘)滤波器来获得更平滑和更接近的视差值，可以更好地代表图像。函数为：

def depth_map(imgL, imgR):
    """ Depth map calculation. Works with SGBM and WLS. Need rectified images, returns depth map ( left to right disparity ) """
    # SGBM Parameters -----------------
    window_size = 3  # wsize default 3; 5; 7 for SGBM reduced size image; 15 for SGBM full size image (1300px and above); 5 Works nicely

    left_matcher = cv2.StereoSGBM_create(
        minDisparity=-1,
        numDisparities=5*16,  # max_disp has to be dividable by 16 f. E. HH 192, 256
        blockSize=window_size,
        P1=8 * 3 * window_size,
        # wsize default 3; 5; 7 for SGBM reduced size image; 15 for SGBM full size image (1300px and above); 5 Works nicely
        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)
    # FILTER Parameters
    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)  # important to put "imgL" here!!!

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

    return filteredImg

你可以再这里：https://github.com/aliyasineser/stereoDepth检查项目。代码基本上就是在创建匹配器。OpenCV的文档很差(我添加了一些，但这只是冰山一角)，但编码方面真的很容易。让我们来看看参数：

minDisparity: 最小视差值。通常我们期望这里是0，但当校正算法移动图像时，有时需要设置。

numDisparities: 最大视差值，必须大于0，定义视差边界。

blockSize: 匹配块的块大小。推荐使用[3-11]，推荐使用奇数，因为奇数大小的块有一个中心。

P1 和 P2: 负责平滑图像，规则是P2>P1。

disp12MaxDiff: 视差计算的最大像素差。

preFilterCap：过滤前使用的值。在块匹配之前，计算图像x轴的一个导数，并用于检查边界[-prefiltercap, prefiltercap]。其余的值用Birchfield-Tomasi代价函数处理。

uniquenessRatio: 经过成本函数计算，此值用于比较。建议取值范围[5-15]。

speckleWindowSize: 过滤删除大的值，得到一个更平滑的图像。建议取值范围[50-200]。

speckleRange: 使用领域检查视差得到一个平滑的图像。如果你决定尝试，我建议1或2。小心，这个值会乘以16！OpenCV会这样做，所以你不需要自己去乘。

在代码中我们使用了SGBM。创建左右视差图，使用WLS滤波平滑优化图像。我还没有掌握这个，我用数值做了实验，所以我就不详细讲了。

代码：https://github.com/aliyasineser/stereoDepth可用于单目和立体摄像机标定，以及视差图计算。之后，你可以对结果做任何你想做的事。在我的项目中，我用它来检测前方是否有物体或距离太近，都是关于无人机的。你可以用你的想象力创造很多东西。

编辑：黄飞