基于OpenCV3.0的BM、SGBM和GC算法对比

引言：基于OpenCV3.0，对BM、SGBM和GC算法进行了对比测试研究。由于SGBM算法视差效果好速度快的特点，常常被广泛应用和改进，本文针对SGBM算法主要参数设置作了对比测试，以供大家参考。

BM：Block Matching ，采用SAD方法计算匹配代价；

SGBM：  修改自Heiko Hirschmuller的《Stereo Processing by Semi-global Matching and Mutual Information》：http://www.openrs.org/photogrammetry/2015/SGM%202008%20PAMI%20-%20Stereo%20Processing%20by%20Semiglobal%20Matching%20and%20Mutual%20Informtion.pdf；长按以下二维码可直接打开

与原方法不同点：

没有实现原文中基于互信息的匹配代价计算，而是采用BT算法（"Depth Discontinuities by Pixel-to-Pixel Stereo()" by S. Birchfield and C. Tomasi）；

默认运行单通道DP算法，只用了5个方向，而fullDP使能时则使用8个方向（可能需要占用大量内存）；

增加了一些BM算法中的预处理和后处理程序；

GC：OpenCV3.0中没有实现，可以在OpenCV以下版本中找到。该方法效果是最好的，但是速度太慢，不能达到实时的匹配效率；

1、SGBM

主要参数：minDisparity 、numDisparities、blockSize、P1、P2。其他参数设置参照http://blog.csdn.net/zhubaohua_bupt/article/details/51866567

代码：

#include "stdafx.h"

#include "opencv2/opencv.hpp

using namespace std;

using namespace cv;

int _tmain(int argc, _TCHAR* argv[])

{

Mat left = imread("imgL.jpg", IMREAD_GRAYSCALE);

Mat right = imread("imgR.jpg", IMREAD_GRAYSCALE);

Mat disp;

int mindisparity = 0;

int ndisparities = 64;  

int SADWindowSize = 11; 

//SGBM

cv::Ptr sgbm = cv::StereoSGBM::create(mindisparity, ndisparities, SADWindowSize);

int P1 = 8 * left.channels() * SADWindowSize* SADWindowSize;

int P2 = 32 * left.channels() * SADWindowSize* SADWindowSize;

sgbm->setP1(P1);

sgbm->setP2(P2);

sgbm->setPreFilterCap(15);

sgbm->setUniquenessRatio(10);

sgbm->setSpeckleRange(2);

sgbm->setSpeckleWindowSize(100);

sgbm->setDisp12MaxDiff(1);

//sgbm->setMode(cv::StereoSGBM::MODE_HH);

sgbm->compute(left, right, disp);

disp.convertTo(disp, CV_32F, 1.0 / 16);                //除以16得到真实视差值

Mat disp8U = Mat(disp.rows, disp.cols, CV_8UC1);       //显示

normalize(disp, disp8U, 0, 255, NORM_MINMAX, CV_8UC1);

imwrite("results/SGBM.jpg", disp8U);

return 0;

}

minDisparity：最小视差，默认为0。此参数决定左图中的像素点在右图匹配搜索的起点，int 类型；

numDisparities：视差搜索范围长度，其值必须为16的整数倍。最大视差 maxDisparity = minDisparity + numDisparities -1；

blockSize：SAD代价计算窗口大小，默认为5。窗口大小为奇数，一般在3*3 到21*21之间；

P1、P2：能量函数参数，P1是相邻像素点视差增/减 1 时的惩罚系数；P2是相邻像素点视差变化值大于1时的惩罚系数。P2必须大于P1。需要指出，在动态规划时，P1和P2都是常数。

一般建议：P1 = 8*cn*sgbm.SADWindowSize*sgbm.SADWindowSize；P2 = 32*cn*sgbm.SADWindowSize*sgbm.SADWindowSize；

总结：

1. blockSize(SADWindowSize) 越小，也就是匹配代价计算的窗口越小，视差图噪声越大；blockSize越大，视差图越平滑；太大的size容易导致过平滑，并且误匹配增多，体现在视差图中空洞增多；

2. 惩罚系数控制视差图的平滑度，P2>P1，P2越大则视差图越平滑；

3. 八方向动态规划较五方向改善效果不明显，主要在图像边缘能够找到正确的匹配；

2、BM

代码：

#include "stdafx.h"

#include "opencv2/opencv.hpp"

using namespace std;

using namespace cv;

int _tmain(int argc, _TCHAR* argv[])

{

Mat left = imread("imgL.jpg", IMREAD_GRAYSCALE);

Mat right = imread("imgR.jpg", IMREAD_GRAYSCALE);

Mat disp;

int mindisparity = 0;

int ndisparities = 64;  

int SADWindowSize = 11; 

cv::Ptr bm = cv::StereoBM::create(ndisparities, SADWindowSize);

// setter

bm->setBlockSize(SADWindowSize);

bm->setMinDisparity(mindisparity);

bm->setNumDisparities(ndisparities);

bm->setPreFilterSize(15);

bm->setPreFilterCap(31);

bm->setTextureThreshold(10);

bm->setUniquenessRatio(10);

bm->setDisp12MaxDiff(1);

copyMakeBorder(left, left, 0, 0, 80, 0, IPL_BORDER_REPLICATE);  //防止黑边

copyMakeBorder(right, right, 0, 0, 80, 0, IPL_BORDER_REPLICATE);

bm->compute(left, right, disp);

disp.convertTo(disp, CV_32F, 1.0 / 16); //除以16得到真实视差值

disp = disp.colRange(80, disp.cols);

Mat disp8U = Mat(disp.rows, disp.cols, CV_8UC1);

normalize(disp, disp8U, 0, 255, NORM_MINMAX, CV_8UC1);

imwrite("results/BM.jpg", disp8U);

return 0;

}